CN109670453A - 一种提取短视频主题的方法 - Google Patents
一种提取短视频主题的方法 Download PDFInfo
- Publication number
- CN109670453A CN109670453A CN201811567121.9A CN201811567121A CN109670453A CN 109670453 A CN109670453 A CN 109670453A CN 201811567121 A CN201811567121 A CN 201811567121A CN 109670453 A CN109670453 A CN 109670453A
- Authority
- CN
- China
- Prior art keywords
- temporal characteristics
- sdi video
- video
- sdi
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种提取短视频主题的方法,包括:将短视频切分成M张视频截帧图片;采用迁移学习方式,使用卷积神经网络获取视频截帧图片的视频空间特征向量集合;按播放时序,将视频空间特征向量构成特征向量时间序列,并输入双向循环神经网络,从而输出视频空间‑时间特征序列集合H;采用注意力机制,对H中的每个视频空间‑时间特征序列进行调整,从而获得新的视频空间‑时间特征序列集合Q;将Q再展开成一个视频空间‑时间特征向量Z,对Z进行线性变换,然后采用归一化指数函数分别计算短视频归属各个主题的概率,以据此提取短视频的主题。本发明属于信息技术领域,能自动从短视频中提取主题信息,并且有效降低计算量。
Description
技术领域
本发明涉及一种提取短视频主题的方法,属于信息技术领域。
背景技术
短视频越来越成为人们去了解认识世界的一种途径,通过对大量短视频进行标签化,可以大大降低人工为短视频打标签的繁琐过程,也为后续短视频分类和为用户推送其喜爱的短视频做好准备。
专利申请CN 201810496579.3(申请名称:一种新的非监督的视频语义提取方法,申请日:2018-05-22,申请人:电子科技大学)公开了一种新的非监督视频语义提取方法,包括构建三维卷积神经网络模型,使用视频数据库中带标签视频数据集训练三维卷积神经网络模型;使用滑动窗口将视频数据库中不带标签视频数据处理成符合三维卷积神经网络输入的数据;使用该生成数据作为三维卷积神经网络模型的输入数据,取三维卷积神经网络模型全连接层的输出数据作为视频段的语义特征;使用该生成的视频段语义特征序列作为视频语义自编码器的输入,通过自编码器整合得到视频整体语义特征。该技术方案通过三维卷积神经网络来直接提取视频段的语义特征,会造成极大的计算量而导致***效率不高。
因此,如何自动从短视频中提取主题信息,并且有效降低计算量,已成为技术人员急需解决的技术问题。
发明内容
有鉴于此,本发明的目的是提供一种提取短视频主题的方法,能自动从短视频中提取主题信息,并且有效降低计算量。
为了达到上述目的,本发明提供了一种提取短视频主题的方法,包括有:
步骤一、将短视频按照一定间隔的帧长切分成M张视频截帧图片;
步骤二、采用迁移学习方式,使用卷积神经网络获取M张视频截帧图片的视频空间特征向量集合Y=[y1,y2,...,yM],其中,y1、y2、…、yM分别是每张视频截帧图片通过卷积神经网络所获得的视频空间特征向量;
步骤三、按短视频的播放时序,将M张视频截帧图片的视频空间特征向量构成一个特征向量时间序列,将特征向量时间序列输入双向循环神经网络,从而输出一个视频空间-时间特征序列集合H=[h1,h2,...,hM],其中,h1、h2、…、hM分别是输出的视频空间-时间特征序列集合H中的每个视频空间-时间特征序列;
步骤四、采用注意力机制,计算视频空间-时间特征序列集合H中每个视频空间-时间特征序列对其他视频空间-时间特征序列的注意力,并根据注意力对视频空间-时间特征序列集合H中的每个视频空间-时间特征序列进行调整,从而获得新的视频空间-时间特征序列集合Q=[q1,q2,...,qM],其中,q1、q2、…、qM分别是根据注意力而调整后的视频空间-时间特征序列;
步骤五、将新的视频空间-时间特征序列集合Q再展开成一个视频空间-时间特征向量Z,对视频空间-时间特征向量Z进行线性变换,然后采用归一化指数函数分别计算短视频归属各个主题的概率,以据此提取短视频的主题。
与现有技术相比,本发明的有益效果是:本发明按一定帧长从短视频中截取一定数量的图片,先从每一张图片中提取出短视频的空间特征,再将这些特征按照时序传入Bidirectional LSTM网络中进行组合,从而提取出短视频的空间和时间特征信息,并引入注意力机制来重点挖掘与视频类别关联最大的关键帧,通过这种时间和空间相结合的特征提取分析方案,可以得到短视频所属不同主题的概率结果,概率越大,所属主题的准确率越高。
附图说明
图1是本发明一种提取短视频主题的方法的流程图。
图2是图1步骤二的具体步骤流程图。
图3是图1步骤四的具体步骤流程图。
图4是图1步骤五的具体步骤流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
如图1所示,本发明一种提取短视频主题的方法,包括有:
步骤一、将短视频按照一定间隔的帧长切分成M张视频截帧图片,M的值可以根据实际业务需要而设定;
步骤二、采用迁移学习方式,使用卷积神经网络获取M张视频截帧图片的视频空间特征向量集合Y=[y1,y2,...,yM],其中,y1、y2、…、yM分别是每张视频截帧图片通过卷积神经网络所获得的视频空间特征向量;通过卷积神经网络,可以从每张视频截帧图片中提取内容特征信息;
步骤三、按短视频的播放时序,将M张视频截帧图片的视频空间特征向量构成一个特征向量时间序列,将特征向量时间序列输入双向循环神经网络,从而输出一个视频空间-时间特征序列集合H=[h1,h2,...,hM],其中,h1、h2、…、hM分别是输出的视频空间-时间特征序列集合H中的每个视频空间-时间特征序列;通过双向循环神经网络,可以从所有视频截帧图片中提取内容和时间特征信息;
步骤四、采用注意力机制,计算视频空间-时间特征序列集合H中每个视频空间-时间特征序列对其他视频空间-时间特征序列的注意力,并根据注意力对视频空间-时间特征序列集合H中的每个视频空间-时间特征序列进行调整,从而获得新的视频空间-时间特征序列集合Q=[q1,q2,...,qM],其中,q1、q2、…、qM分别是根据注意力而调整后的视频空间-时间特征序列;
步骤五、将新的视频空间-时间特征序列集合Q再展开成一个视频空间-时间特征向量Z,对视频空间-时间特征向量Z进行线性变换,然后采用归一化指数函数分别计算短视频归属各个主题的概率,以据此提取短视频的主题。
步骤二中,考虑到某个特定领域的已标注的样本图片较少,不能充分的进行模型训练,因此可以采用迁移学习方法,利用卷积神经网络来提取每张视频截帧图片的内容特征信息,如图2所示,步骤二可以进一步包括有:
步骤21、基于ImageNet公开数据集,采用迁移学习方式,构建、并训练Inception-v3预训练卷积神经网络模型,模型的输入是视频截帧图片,输出是视频截帧图片归属于不同主题的概率;
步骤22、将M张视频截帧图片分别输入到步骤21训练好的卷积神经网络模型中,并从卷积神经网络模型中提取倒数第二层的输出作为每张视频截帧图片的视频空间特征向量,由M张视频截帧图片的视频空间特征向量构成视频空间特征向量集合Y=[y1,y2,...,yM],以作为M张视频截帧图片的内容特征。
步骤三可以采用Bidirectional LSTM算法,将步骤二提取的所有视频截帧图片的视频空间特征向量按时序输入模型中,并输出视频空间-时间特征序列集合H=[h1,h2,...,hM],通过步骤三的时序层,本发明能够将不同视频截帧图片的特征进行组合,从而获得视频空间-时间特征序列。
本发明在步骤三对应的时序层后面添加注意力机制,从而能捕捉视频空间-时间特征序列集合H中不同视频空间-时间特征序列之间的联系,充分挖掘视频空间-时间特征序列之间不同的关注度。如图3所示,步骤四还可以进一步包括有:
步骤41、计算视频空间-时间特征序列集合H中每两个视频空间-时间特征序列之间的关系值:其中,f(hi,hj)是H中的第i个视频空间-时间特征序列和第j个视频空间-时间特征序列之间的关系值,分别是对hi、hj进行非线性变换后的值,Wθ(hi)T是对Wθ(hi)进行转置;
步骤42、分别计算视频空间-时间特征序列集合H中每个视频空间-时间特征序列对于其他视频空间-时间特征序列的注意力:其中,ai j是第i个视频空间-时间特征序列对于第j个视频空间-时间特征序列的注意力,si j=f(hi,hj);f(hi,hj)为一个标量,代表两个视频空间-时间特征序列间的关系,第i个视频空间-时间特征序列和其他视频空间-时间特征序列之间的关系值有M个,可记为[si 1,si 2,...,si M];
步骤43、根据注意力对视频空间-时间特征序列集合H中的每个视频空间-时间特征序列进行调整,计算公式如下:其中,qi是根据注意力而调整后的第i个视频空间-时间特征序列,hj是视频空间-时间特征序列集合H的第j个视频空间-时间特征序列,从而构成新的视频空间-时间特征序列集合Q=[q1,q2,...,qM];这样,每个视频空间-时间特征序列都通过不同的权重添加了其他视频空间-时间特征序列的特征信息,从而能将注意力集中在关键的视频空间-时间特征序列上。
如图4所示,步骤五还可以进一步包括有:
步骤51、将新的视频空间-时间特征序列集合Q全展开,从而得到一个视频空间-时间特征向量Z=[z1,z2,z3,...,zM×N],Q中的每个视频空间-时间特征序列的维数为N,视频空间-时间特征向量Z为M×N维;
步骤52、通过全连接层对视频空间-时间特征向量Z进行线性变换,然后采用归一化指数函数分别计算短视频归属各个主题的概率:其中pk是短视频归属第k个主题的概率,fw(Z)k、fw(Z)t分别是对Z进行线性变换后得到的第k、t类的值,w为线性函数参数;
步骤53、从短视频归属各个主题的概率中,统计其中概率大于概率阈值的个数L,并判断L是否是0?如果是,则将短视频归属各个主题的概率按降序排列,然后输出概率值最大的P个主题作为短视频的主题,本流程结束;如果否,则继续下一步;其中,P是短视频主题数阈值,可以根据实际业务需要而设定;
步骤54、判断L是否小于或等于P?如果是,则将概率大于概率阈值的主题输出作为短视频的主题,本流程结束;如果否,则继续下一步;
步骤55、将L个大于概率阈值的概率,按概率降序进行排列,然后输出概率最大的P个主题作为短视频的主题。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (6)
1.一种提取短视频主题的方法,其特征在于,包括有:
步骤一、将短视频按照一定间隔的帧长切分成M张视频截帧图片;
步骤二、采用迁移学习方式,使用卷积神经网络获取M张视频截帧图片的视频空间特征向量集合Y=[y1,y2,...,yM],其中,y1、y2、…、yM分别是每张视频截帧图片通过卷积神经网络所获得的视频空间特征向量;
步骤三、按短视频的播放时序,将M张视频截帧图片的视频空间特征向量构成一个特征向量时间序列,将特征向量时间序列输入双向循环神经网络,从而输出一个视频空间-时间特征序列集合H=[h1,h2,...,hM],其中,h1、h2、…、hM分别是输出的视频空间-时间特征序列集合H中的每个视频空间-时间特征序列;
步骤四、采用注意力机制,计算视频空间-时间特征序列集合H中每个视频空间-时间特征序列对其他视频空间-时间特征序列的注意力,并根据注意力对视频空间-时间特征序列集合H中的每个视频空间-时间特征序列进行调整,从而获得新的视频空间-时间特征序列集合Q=[q1,q2,...,qM],其中,q1、q2、…、qM分别是根据注意力而调整后的视频空间-时间特征序列;
步骤五、将新的视频空间-时间特征序列集合Q再展开成一个视频空间-时间特征向量Z,对视频空间-时间特征向量Z进行线性变换,然后采用归一化指数函数分别计算短视频归属各个主题的概率,以据此提取短视频的主题。
2.根据权利要求1所述的方法,其特征在于,步骤二进一步包括有:
步骤21、基于ImageNet公开数据集,采用迁移学习方式,构建、并训练Inception-v3预训练卷积神经网络模型,模型的输入是视频截帧图片,输出是视频截帧图片归属于不同主题的概率;
步骤22、将M张视频截帧图片分别输入到步骤21训练好的卷积神经网络模型中,并从卷积神经网络模型中提取倒数第二层的输出作为每张视频截帧图片的视频空间特征向量,由M张视频截帧图片的视频空间特征向量构成视频空间特征向量集合Y=[y1,y2,...,yM],以作为M张视频截帧图片的内容特征。
3.根据权利要求1所述的方法,其特征在于,步骤三采用Bidirectional LSTM算法。
4.根据权利要求1所述的方法,其特征在于,步骤四进一步包括有:
步骤41、计算视频空间-时间特征序列集合H中每两个视频空间-时间特征序列之间的关系值:其中,f(hi,hj)是H中的第i个视频空间-时间特征序列和第j个视频空间-时间特征序列之间的关系值,Wθ(hi)、分别是对hi、hj进行非线性变换后的值,Wθ(hi)T是对Wθ(hi)进行转置;
步骤42、分别计算视频空间-时间特征序列集合H中每个视频空间-时间特征序列对于其他视频空间-时间特征序列的注意力:其中,ai j是第i个视频空间-时间特征序列对于第j个视频空间-时间特征序列的注意力,si j=f(hi,hj);
步骤43、根据注意力对视频空间-时间特征序列集合H中的每个视频空间-时间特征序列进行调整,计算公式如下:其中,qi是根据注意力而调整后的第i个视频空间-时间特征序列,hj是视频空间-时间特征序列集合H的第j个视频空间-时间特征序列,从而构成新的视频空间-时间特征序列集合。
5.根据权利要求1所述的方法,其特征在于,步骤五进一步包括有:
步骤51、将新的视频空间-时间特征序列集合Q全展开,从而得到一个视频空间-时间特征向量Z=[z1,z2,z3,...,zM×N],Q中的每个视频空间-时间特征序列的维数为N,视频空间-时间特征向量Z为M×N维;
步骤52、通过全连接层对视频空间-时间特征向量Z进行线性变换,然后采用归一化指数函数分别计算短视频归属各个主题的概率:其中pk是短视频归属第k个主题的概率,fw(Z)k、fw(Z)t分别是对Z进行线性变换后得到的第k、t类的值,w为线性函数参数。
6.根据权利要求1所述的方法,其特征在于,步骤五进一步包括有:
步骤A1、从短视频归属各个主题的概率中,统计其中概率大于概率阈值的个数L,并判断L是否是0,如果是,则将短视频归属各个主题的概率按降序排列,然后输出概率值最大的P个主题作为短视频的主题,本流程结束;如果否,则继续下一步;
步骤A2、判断L是否小于或等于P,如果是,则将概率大于概率阈值的主题输出作为短视频的主题,本流程结束;如果否,则继续下一步;
步骤A3、将L个大于概率阈值的概率,按概率降序进行排列,然后输出概率最大的P个主题作为短视频的主题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567121.9A CN109670453B (zh) | 2018-12-20 | 2018-12-20 | 一种提取短视频主题的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567121.9A CN109670453B (zh) | 2018-12-20 | 2018-12-20 | 一种提取短视频主题的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670453A true CN109670453A (zh) | 2019-04-23 |
CN109670453B CN109670453B (zh) | 2023-04-07 |
Family
ID=66144078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811567121.9A Active CN109670453B (zh) | 2018-12-20 | 2018-12-20 | 一种提取短视频主题的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670453B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
CN110096617A (zh) * | 2019-04-29 | 2019-08-06 | 北京百度网讯科技有限公司 | 视频分类方法、装置、电子设备及计算机可读存储介质 |
CN110807369A (zh) * | 2019-10-09 | 2020-02-18 | 南京航空航天大学 | 基于深度学习和注意力机制的高效短视频内容智能分类方法 |
CN113762571A (zh) * | 2020-10-27 | 2021-12-07 | 北京京东尚科信息技术有限公司 | 一种短视频类别预测方法、***、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038221A (zh) * | 2017-03-22 | 2017-08-11 | 杭州电子科技大学 | 一种基于语义信息引导的视频内容描述方法 |
US20170262995A1 (en) * | 2016-03-11 | 2017-09-14 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
CN107341462A (zh) * | 2017-06-28 | 2017-11-10 | 电子科技大学 | 一种基于注意力机制的视频分类方法 |
CN108024158A (zh) * | 2017-11-30 | 2018-05-11 | 天津大学 | 利用视觉注意力机制的有监督视频摘要提取方法 |
CN108921032A (zh) * | 2018-06-04 | 2018-11-30 | 四川创意信息技术股份有限公司 | 一种新的基于深度学习模型的视频语义提取方法 |
-
2018
- 2018-12-20 CN CN201811567121.9A patent/CN109670453B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170262995A1 (en) * | 2016-03-11 | 2017-09-14 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
CN107038221A (zh) * | 2017-03-22 | 2017-08-11 | 杭州电子科技大学 | 一种基于语义信息引导的视频内容描述方法 |
CN107341462A (zh) * | 2017-06-28 | 2017-11-10 | 电子科技大学 | 一种基于注意力机制的视频分类方法 |
CN108024158A (zh) * | 2017-11-30 | 2018-05-11 | 天津大学 | 利用视觉注意力机制的有监督视频摘要提取方法 |
CN108921032A (zh) * | 2018-06-04 | 2018-11-30 | 四川创意信息技术股份有限公司 | 一种新的基于深度学习模型的视频语义提取方法 |
Non-Patent Citations (3)
Title |
---|
CHU-YI LI,ET.AL: "Spatial-temporal attention in Bi-LSTM networks based on multiple features for video captioning", 《2018 INTERNATIONAL CONFERENCE ON IMAGE AND VIDEO PROCESSING, AND ARTIFICIAL INTELLIGENCE》 * |
DONAHUE CONVOLUTIONAL J, ET AL.: "Long-term Recurrent Networks for Visual Recognition and Description", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
刘天亮等: "融合空间-时间双网络流和视觉注意的人体行为识别", 《电子与信息学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096617A (zh) * | 2019-04-29 | 2019-08-06 | 北京百度网讯科技有限公司 | 视频分类方法、装置、电子设备及计算机可读存储介质 |
CN110096617B (zh) * | 2019-04-29 | 2021-08-10 | 北京百度网讯科技有限公司 | 视频分类方法、装置、电子设备及计算机可读存储介质 |
CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
CN110807369A (zh) * | 2019-10-09 | 2020-02-18 | 南京航空航天大学 | 基于深度学习和注意力机制的高效短视频内容智能分类方法 |
CN110807369B (zh) * | 2019-10-09 | 2024-02-20 | 南京航空航天大学 | 基于深度学习和注意力机制的短视频内容智能分类方法 |
CN113762571A (zh) * | 2020-10-27 | 2021-12-07 | 北京京东尚科信息技术有限公司 | 一种短视频类别预测方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109670453B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670453A (zh) | 一种提取短视频主题的方法 | |
WO2021073116A1 (zh) | 生成法律文书的方法、装置、设备和存储介质 | |
CN109697233A (zh) | 一种知识图谱体系搭建方法 | |
CN106328121B (zh) | 基于深度置信网络的中国传统乐器分类方法 | |
CN106952643A (zh) | 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法 | |
CN109065030A (zh) | 基于卷积神经网络的环境声音识别方法及*** | |
CN111723239B (zh) | 一种基于多模态的视频标注方法 | |
CN106354818B (zh) | 基于社交媒体的动态用户属性提取方法 | |
CN111400469A (zh) | 针对语音问答的智能生成***及其方法 | |
CN112989802B (zh) | 一种弹幕关键词提取方法、装置、设备及介质 | |
CN101247470A (zh) | 用于检测视频中的场景边界的由计算机实现的方法 | |
CN108549658A (zh) | 一种基于语法分析树上注意力机制的深度学习视频问答方法及*** | |
CN111754302A (zh) | 一种基于大数据的视频直播界面商品展示智能管理*** | |
CN106649663A (zh) | 一种基于紧凑视频表征的视频拷贝检测方法 | |
CN109948721A (zh) | 一种基于视频描述的视频场景分类方法 | |
CN106921749A (zh) | 用于推送信息的方法和装置 | |
CN111444704B (zh) | 基于深度神经网络的网络安全关键词抽取方法 | |
CN113407842B (zh) | 模型训练方法、主题推荐理由的获取方法及***、电子设备 | |
CN113032557A (zh) | 一种基于频繁词集与bert语义的微博热点话题发现方法 | |
CN109033166A (zh) | 一种人物属性抽取训练数据集构建方法 | |
CN110728144A (zh) | 一种基于上下文语义感知的抽取式文档自动摘要方法 | |
CN107862058A (zh) | 用于生成信息的方法和装置 | |
Mohammad et al. | Searching surveillance video contents using convolutional neural network | |
CN112699831B (zh) | 基于弹幕情感的视频热点片段检测方法、装置及存储介质 | |
CN107085820A (zh) | 一种促进科技创新的大众智慧数据信息管理平台及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Xinxun Digital Technology (Hangzhou) Co.,Ltd. Address before: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: EB Information Technology Ltd. |
|
CP01 | Change in the name or title of a patent holder |