CN113011383A - 视频标签定义模型构建方法、***、电子设备及存储介质 - Google Patents
视频标签定义模型构建方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113011383A CN113011383A CN202110388483.7A CN202110388483A CN113011383A CN 113011383 A CN113011383 A CN 113011383A CN 202110388483 A CN202110388483 A CN 202110388483A CN 113011383 A CN113011383 A CN 113011383A
- Authority
- CN
- China
- Prior art keywords
- video
- audio
- representation
- model
- definition model
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 15
- 238000012512 characterization method Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000004931 aggregating effect Effects 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种视频标签定义模型构建方法、***、电子设备及存储介质，其方法技术方案包括视频特征获取步骤，获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合；音频特征获取步骤，获取所述视频的音频特征，并将所述音频特征进行聚合；视频表征获取步骤，根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量；定义模型构建步骤，根据所述表征向量，通过反向传播构建一视频标签定义模型。本发明解决了现有视频标签定义方法特征的整合方式不够灵活、不同特征交互性差以及对类别不均衡的情况应对不佳的问题。
Description
技术领域
本发明属于机器学习领域，尤其涉及一种视频标签定义模型构建方法、***、电子设备及存储介质。
背景技术
在当下一个多媒体技术广泛应用的时代，图像和视频类型的多媒体素材在日常生活中大量涌现，在一些短视频网站，用户会上传大量自己制作的视频，这些视频都没有标签，因此能够自动的给视频打标签的技术，就显的格外重要。
现有的视频标签定义技术包括简单的对特征进行聚合、通过循环神经网络来聚合特征以及通过高维的卷积网络来聚合特征。但现有技术的缺陷在于，简单的使用pooling的方法对特征进行聚合，方式比较简单，没有考虑每一帧视频的前后关系，不能捕获整个视频的特征；使用lstm来进行特征的聚合，不能解决循环神经网络无法并行的缺点，模型的训练以及推断过程都会比较慢；使用高维的卷积神经网络，无法解决长序列带来的影响。此外，现有技术没有考虑视频每一帧图像与音频之间的关系，没有把图像特征与音频特征进行深度的交互，使得模型的表征能力下降，同时，针对类别不均衡问题，没有很好的进行处理，使得模型对出现次数少的类别无法很好的学习，对于经常出现的类别，模型会出现过拟合的情况。
发明内容
本申请实施例提供了一种视频标签定义模型构建方法、***、电子设备及存储介质，以至少解决现有视频标签定义方法特征的整合方式不够灵活、不同特征交互性差以及对类别不均衡的情况应对不佳的问题。
第一方面，本申请实施例提供了一种视频标签定义模型构建方法，包括：视频特征获取步骤，获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合；音频特征获取步骤，获取所述视频的音频特征，并将所述音频特征进行聚合；视频表征获取步骤，根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量；定义模型构建步骤，根据所述表征向量，通过反向传播构建一视频标签定义模型。
优选的，所述视频特征获取步骤包括：对所述视频进行帧级别划分，并将划分后的结果输入至一第一预训练模型获取所述视频特征。
优选的，所述音频特征获取步骤包括：提取所述视频中的音频，并将所述音频输入至一第二预训练模型获取所述音频特征。
优选的，所述视频表征获取步骤包括：第一表征生成步骤，对所述视频特征，生成一包括与所述音频特征相似度加权的第一表征；第二表征生成步骤，对所述音频特征，生成一包括与所述视频特征相似度加权的第二表征；表征合并生成步骤，根据所述第一表征、所述第二表征生成所述视频的表征向量。
优选的，所述定义模型构建步骤包括：使用focal loss计算所述视频标签定义模型的损失。
第二方面，本申请实施例提供了一种视频标签定义模型构建***，适用于上述一种视频标签定义模型构建方法，包括：视频特征获取模块，获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合；音频特征获取模块，获取所述视频的音频特征，并将所述音频特征进行聚合；视频表征获取模块，根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量；定义模型构建模块，根据所述表征向量，通过反向传播构建一视频标签定义模型。
在其中一些实施例中，所述视频特征获取模块包括：对所述视频进行帧级别划分，并将划分后的结果输入至一第一预训练模型获取所述视频特征。
在其中一些实施例中，所述音频特征获取模块包括：提取所述视频中的音频，并将所述音频输入至一第二预训练模型获取所述音频特征。
在其中一些实施例中，所述视频表征获取模块包括：第一表征生成单元，对所述视频特征，生成一包括与所述音频特征相似度加权的第一表征；第二表征生成单元，对所述音频特征，生成一包括与所述视频特征相似度加权的第二表征；表征合并生成单元，根据所述第一表征、所述第二表征生成所述视频的表征向量。
在其中一些实施例中，所述定义模型构建模块包括：使用focal loss计算所述视频标签定义模型的损失。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种视频标签定义模型构建方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种视频标签定义模型构建方法。
本发明可应用于推荐技术领域。相比于相关技术，本申请实施例提供的一种视频标签定义模型构建方法采用局部聚类向量，将局部特征聚类得到一个向量，来表征整个视频的特征，能够解决长序列问题以及模型的参数比较少，可以方便模型的上线；增加视频中图像特征与音频特征的交互，提高模型的表征能力，能更好的提高模型的效果；使用focalloss很好的解决了样本不均衡的问题，同时也可以提升模型的效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明的视频标签定义模型构建方法流程图；
图2为图1中步骤S3的分步骤流程图；
图3为本发明的视频标签定义模型构建***的框架图；
图4为本发明的电子设备的框架图；
以上图中：
1、视频特征获取模块；2、音频特征获取模块；3、视频表征获取模块；4、定义模型构建模块；31、第一表征生成单元；32、第二表征生成单元；33、表征合并生成单元；60、总线；61、处理器；62、存储器；63、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下，结合附图详细介绍本发明的实施例：
图1为本发明的视频标签定义模型构建方法流程图，请参见图1，本发明视频标签定义模型构建方法包括如下步骤：
S1：获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合。
可选的，对所述视频进行帧级别划分，并将划分后的结果输入至一第一预训练模型获取所述视频特征。
在具体实施中，对给定的视频文件，首先按照帧级别对视频进行划分，随后把划分后的内容输入到一预训练好的模型中，可选的，本申请实施例可使用的预训练模型包括但不限于Inception model、resnet、SE-ResNet、EfficientNet，由于图像中相邻像素之间具有很强的相关性，需要进行白化的操作，并得到视频的特征。
在具体实施中，把得到的视频特征，输入到video net layer，其主要的作用是对视频特征进行聚合。
在具体实施中，对抽取到的视频特征进行分组，随后对不同的组执行一类似于attention的操作，以得到每个组之间的关联度，为了减少模型的参数以及避免梯度累积的影响，采用残差网络的结构，并随之进行求和，得到最终的视频特征表示。
S2：获取所述视频的音频特征，并将所述音频特征进行聚合。
可选的，提取所述视频中的音频，并将所述音频输入至一第二预训练模型获取所述音频特征。
在具体实施中，将给定视频文件中的音频内容抽取出来，然后输入到一预训练模型中得到视频文件对应的音频特征，可选的，本申请实施例可使用的预训练模型可为vggish model，还可包括resnet、SE-ResNet、EfficientNet。随后，将音频特征输入到audionet layer，其网络结构与video net layer一样，主要的作用是整合音频的特征。
S3：根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量。
可选的，图2为图1中步骤S3的分步骤流程图，请参见图2：
S31：对所述视频特征，生成一包括与所述音频特征相似度加权的第一表征；
S32：对所述音频特征，生成一包括与所述视频特征相似度加权的第二表征；
S33：根据所述第一表征、所述第二表征生成所述视频的表征向量。
在具体实施中，在得到了视频特征以及音频特征之后，分别对这两个特征进行maxpooling以及average pooling，以及soft_align_attention，生成彼此相似性加权的表征内容，最后将两个表征结构、对应的pooling结果、attention结果进行concat，得到最终视频的表征。
请继续参见图1：
S4：根据所述表征向量，通过反向传播构建一视频标签定义模型。
可选的，使用focal loss计算所述视频标签定义模型的损失。
在具体实施中，将最终视频的表征向量，经过一个dropout层，以防止模型过拟合，随后接一分类层得到最终的logits。本申请实施例使用focal loss来计算模型的损失，记为loss_focal。focal loss相当于增加了难分样本在损失函数的权重，使得损失函数倾向于难分的样本，有助于提高难分样本的准确度，从样本分类难易程度出发，使loss聚焦于难分样本。
在具体实施中，得到loss_focal之后，接着对模型进行反向传播，来更新模型的参数，得到最终的模型。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种视频标签定义模型构建***，适用于上述的一种视频标签定义模型构建方法。如以下所使用的，术语“单元”、“模块”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。
图3为根据本发明的视频标签定义模型构建***的框架图，请参见图3，包括：
视频特征获取模块1：获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合。
可选的，对所述视频进行帧级别划分，并将划分后的结果输入至一第一预训练模型获取所述视频特征。
在具体实施中，对给定的视频文件，首先按照帧级别对视频进行划分，随后把划分后的内容输入到一预训练好的模型中，可选的，本申请实施例可使用的预训练模型包括但不限于Inception model、resnet、SE-ResNet、EfficientNet，由于图像中相邻像素之间具有很强的相关性，需要进行白化的操作，并得到视频的特征。
在具体实施中，把得到的视频特征，输入到video net layer，其主要的作用是对视频特征进行聚合。
在具体实施中，对抽取到的视频特征进行分组，随后对不同的组执行一类似于attention的操作，以得到每个组之间的关联度，为了减少模型的参数以及避免梯度累积的影响，采用残差网络的结构，并随之进行求和，得到最终的视频特征表示。
音频特征获取模块2：获取所述视频的音频特征，并将所述音频特征进行聚合。
可选的，提取所述视频中的音频，并将所述音频输入至一第二预训练模型获取所述音频特征。
在具体实施中，将给定视频文件中的音频内容抽取出来，然后输入到一预训练模型中得到视频文件对应的音频特征，可选的，本申请实施例可使用的预训练模型可为vggish model，还可包括resnet、SE-ResNet、EfficientNet。随后，将音频特征输入到audionet layer，其网络结构与video net layer一样，主要的作用是整合音频的特征。
视频表征获取模块3：根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量。
可选的，视频表征获取模块3进一步包括：
第一表征生成单元31：对所述视频特征，生成一包括与所述音频特征相似度加权的第一表征；
第二表征生成单元32：对所述音频特征，生成一包括与所述视频特征相似度加权的第二表征；
表征合并生成单元33：根据所述第一表征、所述第二表征生成所述视频的表征向量。
在具体实施中，在得到了视频特征以及音频特征之后，分别对这两个特征进行maxpooling以及average pooling，以及soft_align_attention，生成彼此相似性加权的表征内容，最后将两个表征结构、对应的pooling结果、attention结果进行concat，得到最终视频的表征。
定义模型构建模块4：根据所述表征向量，通过反向传播构建一视频标签定义模型。
可选的，使用focal loss计算所述视频标签定义模型的损失。
在具体实施中，将最终视频的表征向量，经过一个dropout层，以防止模型过拟合，随后接一分类层得到最终的logits。本申请实施例使用focal loss来计算模型的损失，记为loss_focal。focal loss相当于增加了难分样本在损失函数的权重，使得损失函数倾向于难分的样本，有助于提高难分样本的准确度，从样本分类难易程度出发，使loss聚焦于难分样本。
在具体实施中，得到loss_focal之后，接着对模型进行反向传播，来更新模型的参数，得到最终的模型。
另外，结合图1描述的一种视频标签定义模型构建方法可以由电子设备来实现。图4为本发明的电子设备的框架图。
电子设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地，上述处理器61可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器62可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性(Non-Volatile)存储器。在特定实施例中，存储器62包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器61所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62中存储的计算机程序指令，以实现上述实施例中的任意一种视频标签定义模型构建方法。
在其中一些实施例中，电子设备还可包括通信接口63和总线60。其中，如图4所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信端口63可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线60包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线60可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、***组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的一种视频标签定义模型构建方法。
另外，结合上述实施例中的一种视频标签定义模型构建方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种视频标签定义模型构建方法。
而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种视频标签定义模型构建方法，其特征在于，包括：
视频特征获取步骤，获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合；
音频特征获取步骤，获取所述视频的音频特征，并将所述音频特征进行聚合；
视频表征获取步骤，根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量；
定义模型构建步骤，根据所述表征向量，通过反向传播构建一视频标签定义模型。
2.如权利要求1所述的视频标签定义模型构建方法，其特征在于，所述视频特征获取步骤包括：对所述视频进行帧级别划分，并将划分后的结果输入至一第一预训练模型获取所述视频特征。
3.如权利要求1所述的视频标签定义模型构建方法，其特征在于，所述音频特征获取步骤包括：提取所述视频中的音频，并将所述音频输入至一第二预训练模型获取所述音频特征。
4.如权利要求1所述的视频标签定义模型构建方法，其特征在于，所述视频表征获取步骤包括：
第一表征生成步骤，对所述视频特征，生成一包括与所述音频特征相似度加权的第一表征；
第二表征生成步骤，对所述音频特征，生成一包括与所述视频特征相似度加权的第二表征；
表征合并生成步骤，根据所述第一表征、所述第二表征生成所述视频的表征向量。
5.如权利要求1所述的视频标签定义模型构建方法，其特征在于，所述定义模型构建步骤包括：使用focal loss计算所述视频标签定义模型的损失。
6.一种视频标签定义模型构建***，其特征在于，包括：
视频特征获取模块，获取用于模型训练的一视频的视频特征，并将所述视频特征进行聚合；
音频特征获取模块，获取所述视频的音频特征，并将所述音频特征进行聚合；
视频表征获取模块，根据聚合后的所述视频特征和所述音频特征获取所述视频的表征向量；
定义模型构建模块，根据所述表征向量，通过反向传播构建一视频标签定义模型。
7.如权利要求6所述的视频标签定义模型构建***，其特征在于，所述视频表征获取模块包括：
第一表征生成单元，对所述视频特征，生成一包括与所述音频特征相似度加权的第一表征；
第二表征生成单元，对所述音频特征，生成一包括与所述视频特征相似度加权的第二表征；
表征合并生成单元，根据所述第一表征、所述第二表征生成所述视频的表征向量。
8.如权利要求6所述的视频标签定义模型构建***，其特征在于，所述定义模型构建模块包括：使用focal loss计算所述视频标签定义模型的损失。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的视频标签定义模型构建方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一项所述的视频标签定义模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110388483.7A CN113011383A (zh) | 2021-04-12 | 2021-04-12 | 视频标签定义模型构建方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110388483.7A CN113011383A (zh) | 2021-04-12 | 2021-04-12 | 视频标签定义模型构建方法、***、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113011383A true CN113011383A (zh) | 2021-06-22 |
Family
ID=76388211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110388483.7A Pending CN113011383A (zh) | 2021-04-12 | 2021-04-12 | 视频标签定义模型构建方法、***、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011383A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180053057A1 (en) * | 2016-08-18 | 2018-02-22 | Xerox Corporation | System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture |
| CN109190482A (zh) * | 2018-08-06 | 2019-01-11 | 北京奇艺世纪科技有限公司 | 多标签视频分类方法及***、***训练方法及装置 |
| CN109257622A (zh) * | 2018-11-01 | 2019-01-22 | 广州市百果园信息技术有限公司 | 一种音视频处理方法、装置、设备及介质 |
| CN109710800A (zh) * | 2018-11-08 | 2019-05-03 | 北京奇艺世纪科技有限公司 | 模型生成方法、视频分类方法、装置、终端及存储介质 |
| CN109918539A (zh) * | 2019-02-28 | 2019-06-21 | 华南理工大学 | 一种基于用户点击行为的音、视频互相检索方法 |
| CN110162669A (zh) * | 2019-04-04 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 视频分类处理方法、装置、计算机设备及存储介质 |
| CN111083469A (zh) * | 2019-12-24 | 2020-04-28 | 北京奇艺世纪科技有限公司 | 一种视频质量确定方法、装置、电子设备及可读存储介质 |
| CN111274440A (zh) * | 2020-01-19 | 2020-06-12 | 浙江工商大学 | 一种基于视觉和音频内容相关度挖掘的视频推荐方法 |
| CN111324769A (zh) * | 2020-01-20 | 2020-06-23 | 腾讯科技（北京）有限公司 | 视频信息处理模型的训练方法、视频信息处理方法及装置 |
| CN111400551A (zh) * | 2020-03-13 | 2020-07-10 | 咪咕文化科技有限公司 | 一种视频分类方法、电子设备和存储介质 |
| CN111695422A (zh) * | 2020-05-06 | 2020-09-22 | Oppo（重庆）智能科技有限公司 | 视频标签获取方法、装置、存储介质及服务器 |
| CN111767882A (zh) * | 2020-07-06 | 2020-10-13 | 江南大学 | 一种基于改进yolo模型的多模态行人检测方法 |
| CN112069884A (zh) * | 2020-07-28 | 2020-12-11 | 中国传媒大学 | 一种暴力视频分类方法、***和存储介质 |
| CN112287175A (zh) * | 2020-10-29 | 2021-01-29 | 中国科学技术大学 | 一种视频高亮片段预测方法和*** |
| CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
-
2021
- 2021-04-12 CN CN202110388483.7A patent/CN113011383A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180053057A1 (en) * | 2016-08-18 | 2018-02-22 | Xerox Corporation | System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture |
| CN109190482A (zh) * | 2018-08-06 | 2019-01-11 | 北京奇艺世纪科技有限公司 | 多标签视频分类方法及***、***训练方法及装置 |
| CN109257622A (zh) * | 2018-11-01 | 2019-01-22 | 广州市百果园信息技术有限公司 | 一种音视频处理方法、装置、设备及介质 |
| CN109710800A (zh) * | 2018-11-08 | 2019-05-03 | 北京奇艺世纪科技有限公司 | 模型生成方法、视频分类方法、装置、终端及存储介质 |
| CN109918539A (zh) * | 2019-02-28 | 2019-06-21 | 华南理工大学 | 一种基于用户点击行为的音、视频互相检索方法 |
| CN110162669A (zh) * | 2019-04-04 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 视频分类处理方法、装置、计算机设备及存储介质 |
| CN111083469A (zh) * | 2019-12-24 | 2020-04-28 | 北京奇艺世纪科技有限公司 | 一种视频质量确定方法、装置、电子设备及可读存储介质 |
| CN111274440A (zh) * | 2020-01-19 | 2020-06-12 | 浙江工商大学 | 一种基于视觉和音频内容相关度挖掘的视频推荐方法 |
| CN111324769A (zh) * | 2020-01-20 | 2020-06-23 | 腾讯科技（北京）有限公司 | 视频信息处理模型的训练方法、视频信息处理方法及装置 |
| CN111400551A (zh) * | 2020-03-13 | 2020-07-10 | 咪咕文化科技有限公司 | 一种视频分类方法、电子设备和存储介质 |
| CN111695422A (zh) * | 2020-05-06 | 2020-09-22 | Oppo（重庆）智能科技有限公司 | 视频标签获取方法、装置、存储介质及服务器 |
| CN111767882A (zh) * | 2020-07-06 | 2020-10-13 | 江南大学 | 一种基于改进yolo模型的多模态行人检测方法 |
| CN112069884A (zh) * | 2020-07-28 | 2020-12-11 | 中国传媒大学 | 一种暴力视频分类方法、***和存储介质 |
| CN112287175A (zh) * | 2020-10-29 | 2021-01-29 | 中国科学技术大学 | 一种视频高亮片段预测方法和*** |
| CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董洪义: "《深度学习之PyTorch物体检测实战》", 北京：机械工业出版社, pages: 221 - 224 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11669744B2 (en) | Regularized neural network architecture search | |
| EP3732631A1 (en) | Neural architecture search for dense image prediction tasks | |
| US20230004608A1 (en) | Method for content recommendation and device | |
| CN113010778A (zh) | 一种基于用户历史兴趣的知识图谱推荐方法和*** | |
| CN110717421A (zh) | 一种基于生成对抗网络的视频内容理解方法及装置 | |
| CN112966754A (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
| CN111310743B (zh) | 人脸识别方法、装置、电子设备及可读存储介质 | |
| CN113743277A (zh) | 一种短视频分类方法及***、设备和存储介质 | |
| CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
| CN113743584A (zh) | 一种积分梯度模型预测方法、***、电子设备及存储介质 | |
| CN113569705A (zh) | 场景分割点判断方法、***、存储介质及电子设备 | |
| EP4394723A1 (en) | Label generation method and apparatus, image classification model method and apparatus, and image classification method and apparatus | |
| CN105740916B (zh) | 图像特征编码方法及装置 | |
| CN115984633A (zh) | 门级电路组件识别方法、***、存储介质及设备 | |
| CN113011383A (zh) | 视频标签定义模型构建方法、***、电子设备及存储介质 | |
| CN113742525A (zh) | 自监督视频哈希学习方法、***、电子设备及存储介质 | |
| CN113569703A (zh) | 真实分割点判断方法、***、存储介质及电子设备 | |
| CN113536773A (zh) | 商品评论情感分析方法、***、电子设备及存储介质 | |
| CN112131384A (zh) | 新闻分类方法、计算机可读存储介质 | |
| WO2020191668A1 (en) | Proposal processing method and related products | |
| CN113822445A (zh) | 模型集成预测方法、***、电子设备及存储介质 | |
| CN113128680B (zh) | 一种神经网络训练方法、***、设备以及介质 | |
| CN113011382A (zh) | 视频片段分类模型构建方法、***、电子设备及存储介质 | |
| CN112686278B (zh) | 模型获取方法、装置及存储介质 | |
| CN117743669A (zh) | 一种数据召回方法、装置、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230915 Address after: Room 401, 4th Floor, Building J, Yunmi City, No. 19 Ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210000 Applicant after: Nanjing Minglue Technology Co.,Ltd. Address before: 100089 a1002, 10th floor, building 1, yard 1, Zhongguancun East Road, Haidian District, Beijing Applicant before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd. |