一种基于深度信息融合的视觉空间描述方法、系统及产品

本发明涉及人工智能技术领域，具体公开了一种基于深度信息融合的视觉空间描述方法、系统及产品，方法包括：获取图像及其对应的物体文本；对所述图像进行视觉‑平面位置特征提取，得到视觉特征和平面位置特征，对所述图像进行深度特征提取，得到深度特征；对所述物体文本进行文本编码，得到文本特征；将所述视觉特征、平面位置特征、深度特征和文本特征进行特征融合，得到融合特征；对所述融合特征进行空间关系分类，得到空间关系；将指令语、所述空间关系和物体文本输入大语言模型，得到描述物体空间关系的自然语句。本发明能够准确描述图像中物体间的空间关系，提升人工智能的空间感知能力，同时避免增加多余的人工标注工作量。