CN113627354A - 模型训练、视频处理方法,装置,设备以及存储介质 - Google Patents
模型训练、视频处理方法,装置,设备以及存储介质 Download PDFInfo
- Publication number
- CN113627354A CN113627354A CN202110926860.8A CN202110926860A CN113627354A CN 113627354 A CN113627354 A CN 113627354A CN 202110926860 A CN202110926860 A CN 202110926860A CN 113627354 A CN113627354 A CN 113627354A
- Authority
- CN
- China
- Prior art keywords
- video
- feature
- segment
- sample
- video segment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了模型训练、视频处理方法,装置,设备以及存储介质,涉及人工智能领域,具体涉及计算机视觉和深度学习技术领域,具体可用于智慧城市和智能交通场景下。具体实现方案为:从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段,第一视频片段与第二视频片段外观相似,第二视频片段与第三视频片段播放速度相同;利用目标模型分别提取第一视频片段、第二视频片段以及第三视频片段的特征,得到第一特征、第二特征以及第三特征;根据第一特征与第二特征之间的第一距离、第二特征和第三特征之间的第二距离,确定损失函数;根据损失函数,训练目标模型。本实现方式可以提高提取的特征的质量,提升了下游任务的性能。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术领域,尤其涉及模型训练、视频处理方法,装置,设备以及存储介质,具体可用于智慧城市和智能交通场景下。
背景技术
视频表征学习,即一种帮助***自动地从原始视频中学习具有判别能力的特征的技术。随着智能手机的兴起,录制视频变得前所未有的容易。视频分析已经成为当前最活跃的研究热点之一。然而,想要获得高质量的视频标签,需要大量的人工标注工作,需要耗费大量人力物力财力。相比之下,数百万无标签的视频可以在互联网上免费获得。因此,从无标签的视频中学习有意义的视频表征对于视频内容理解至关重要。
发明内容
本公开提供了一种模型训练、视频处理方法,装置,设备以及存储介质。
根据第一方面,提供了一种模型训练方法,包括:从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段,其中,第一视频片段与第二视频片段外观的相似度大于第一预设阈值,第二视频片段与第三视频片段播放速度相同;利用目标模型分别提取第一视频片段、第二视频片段以及第三视频片段的特征,得到第一视频片段的第一特征、第二视频片段的第二特征以及第三视频片段的第三特征;根据第一特征与第二特征之间的第一距离、第二特征和第三特征之间的第二距离,确定损失函数;根据损失函数,训练目标模型。
根据第二方面,提供了一种视频处理方法,包括:获取目标视频;利用通过如第一方面所描述的模型训练方法训练得到的目标模型提取目标视频的特征,确定目标视频的目标特征;根据目标特征,对目标视频进行处理。
根据第三方面,提供了一种模型训练装置,包括:视频片段抽取单元,被配置成从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段,其中,第一视频片段与第二视频片段外观的相似度大于第一预设阈值,第二视频片段与第三视频片段播放速度相同;视频特征提取单元,被配置成利用目标模型分别提取第一视频片段、第二视频片段以及第三视频片段的特征,得到第一视频片段的第一特征、第二视频片段的第二特征以及第三视频片段的第三特征;损失函数确定单元,被配置成根据第一特征与第二特征之间的第一距离、第二特征和第三特征之间的第二距离,确定损失函数;目标模型训练单元,被配置成根据损失函数,训练目标模型。
根据第四方面,提供了一种视频处理装置,包括:视频获取单元,被配置成获取目标视频;特征提取单元,被配置成利用通过如第一方面所描述的模型训练方法训练得到的目标模型提取目标视频的特征,确定目标视频的目标特征;视频处理单元,被配置成根据目标特征,对目标视频进行处理。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法或如第二方面所描述的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法或如第二方面所描述的方法。
根据第七方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法或如第二方面所描述的方法。
根据本公开的技术可以在特征空间训练模型,从而能够保留视频的更多相关信息,提高从无标签视频数据中学习到的特征的质量,提升了下游任务的性能。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的模型训练方法的一个实施例的流程图;
图3是根据本公开的模型训练方法的另一个实施例的流程图;
图4是根据本公开的模型训练方法的一个实施例的示意图;
图5是根据本公开的视频处理方法的一个实施例的流程图;
图6是根据本公开的模型训练方法、视频处理方法的一个应用场景的示意图;
图7是根据本公开的模型训练装置的一个实施例的结构示意图;
图8是根据本公开的视频处理装置的一个实施例的结构示意图;
图9是用来实现本公开实施例的模型训练方法、视频处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的模型训练方法、视频处理方法或用于模型训练装置、视频处理装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如视频播放类应用、视频处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上提供语言模型的后台服务器。后台服务器可以利用训练样本对模型进行训练,得到目标模型,并将目标模型反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的模型训练方法一般由服务器105执行,视频处理方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,模型训练装置一般设置于服务器105中,视频处理装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的模型训练方法的一个实施例的流程200。本实施例的模型训练方法,包括以下步骤:
步骤201,从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段。
本实施例中,模型训练方法的执行主体(例如图1所示的服务器105)可以首先获取样本视频集合。样本视频集合中可以包括多个样本视频。执行主体可以从上述样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段。这里,第一视频片段、第二视频片段以及第三视频片段中包括的视频帧的数量可以较少。并且第一视频片段与第二视频片段外观的相似度大于第一预设阈值,第二视频片段与第三视频片段播放速度相同。外观相似的视频片段可以理解为其中包含的元素基本相同,且元素间的相对位置也相似。播放速度可以理解为视频片段播放完成的速度,其与每秒显示帧数(Frames per Second,FPS)相关。
步骤202,利用目标模型分别提取第一视频片段、第二视频片段以及第三视频片段的特征,得到第一视频片段的第一特征、第二视频片段的第二特征以及第三视频片段的第三特征。
本实施例中,执行主体可以利用目标模型分别提取第一视频片段、第二视频片段以及第三视频片段的特征。这里,目标模型可以为待训练的模型,其可以用于提取视频片段的特征。执行主体可以将第一视频片段、第二视频片段以及第三视频片段分别输入到目标模型中,得到的输出即为各视频片段的特征。这里,称第一视频片段的特征为第一特征,第二视频片段的特征为第二特征,第三视频片段的特征为第三特征。
步骤203,根据第一特征与第二特征之间的第一距离、第二特征和第三特征之间的第二距离,确定损失函数。
执行主体可以分别计算第一特征与第二特征之间的第一距离以及第二特征和第三特征之间的第二距离。并根据上述第一距离和第二距离,确定损失函数。具体的,执行主体可以对第一距离和第二距离进行加权,确定损失函数。加权系数可以根据实际应用场景进行设定。
步骤204,根据损失函数,训练目标模型。
执行主体在确定损失函数后,可以根据损失函数值迭代调整目标模型的参数,直到满足训练终止条件。可以理解的是,损失函数值越小,目标模型的性能越高。
本公开的上述实施例提供的模型训练方法,可以在特征空间训练模型,从而能够保留视频的更多相关信息,提高从无标签视频数据中学习到的特征的质量,提升了下游任务的性能。
继续参见图3,其示出了根据本公开的模型训练方法的另一个实施例的流程300。如图3所示,本实施例的方法可以包括以下步骤:
步骤301,从样本视频集合中选取出第一样本视频和第二样本视频。
本实施例中,执行主体可以首先从样本视频集合中选取第一样本视频和第二样本视频。这里,第一样本视频和第二样本视频是两个不同的视频。并且第一样本视频和第二样本视频的外观相似度大于第二预设阈值。例如,第一样本视频和第二样本视频可以是针对同一目标从不同角度拍摄的视频。具体的,执行主体可以根据样本视频的标题、拍摄时间、视频中的元素等信息,从样本视频集合中选取出第一样本视频和第二样本视频。
步骤302,从第一样本视频中抽取出第一视频片段和第二视频片段。
本实施例中,执行主体可以从第一样本视频中抽取出第一视频片段和第二视频片段。具体的,执行主体可以分别从第一样本视频中抽取出连续的多个视频帧作为第一视频片段和第二视频片段。例如,执行主体可以将第一样本视频的第1~10个视频帧作为第一视频片段,将第21~30个视频帧作为第二视频片段。
在本实施例的一些可选的实现方式中,执行主体可以通过以下步骤得到第一样本视频和第二样本视频:
步骤3021,从第一样本视频中选取连续的多个视频帧。
步骤3022,将多个视频帧划分为数量相同的两个视频片段,得到第一视频片段和第二视频片段。
本实现方式中,执行主体可以从第一样本视频中选取连续的多个视频帧。例如,选取第1~16个视频帧。然后将多个视频帧划分为数量相同的两个视频片段,得到第一视频片段和第二视频片段。例如,将第1~8个视频帧作为第一视频片段,将第9~16个视频帧作为第二视频片段。或者,执行主体可以将第1~16个视频帧中的第奇数个视频帧作为第一视频片段,将第偶数个视频帧作为第二视频片段。
步骤303,从第二样本视频中抽取出第三视频片段。
本实施例中,执行主体可以从第二样本视频中抽取出第三视频片段。具体的,执行主体可以设置第三视频片段中视频帧的数量与第一视频片段或第二视频片段中视频帧的数量相同。
在本实施例的一些可选的实现方式中,执行主体可以通过以下步骤得到第三样本视频:
步骤3031,确定第二视频片段的每秒显示帧数。
步骤3032,以每秒显示帧数对第二样本视频进行采样,得到第三视频片段。
本实现方式中,执行主体可以首先确定第二视频片段的每秒显示帧数。然后,以每秒显示帧数对第二样本视频进行采样,得到第三视频片段。可以理解的是,以相同每秒显示帧数采样得到的两个视频片段的播放速度相同。
步骤304,对第一视频片段和第二视频片段进行数据增强;利用目标模型对数据增强后的第一视频片段、数据增强后的第二视频片段和第三视频片段进行特征提取,得到第一特征、第二特征和第三特征。
执行主体在得到的三个视频片段后,可以分别对第一视频片段和第二视频片段进行数据增强。这里,数据增强可以包括但不限于:随机裁剪、颜色随机扰动、随机模糊,随机翻转。然后,执行主体可以利用目标模型对数据增强后的第一视频片段、数据增强后的第二视频片段和第三视频片段进行特征提取,得到第一特征、第二特征和第三特征。本实施例中,通过对第一视频片段和第二视频片段进行数据增强,可以增强模型提取特征的能力。
步骤305,根据第一特征与第二特征之间的第一距离、第二特征和第三特征之间的第二距离,确定损失函数。
本实施例中,第一距离表示两个视频片段在外观特征空间的距离,第二距离表示两个视频片段在播放速度特征空间的距离。第一距离和第二距离可以采用L2距离表示。执行主体可以通过最小化第一距离,拉近第一特征和第二特征在外观特征空间中的距离。可以通过最小化第二距离,拉近第二特征和第三特征在播放速度特征空间中的距离。
步骤306,根据损失函数,训练目标模型。
本实施例中,执行主体可以使用随机梯度下降(stochastic gradient descent,SGD)对网络进行优化,不断更新网络权重,直到损失函数收敛训练停止。
图4示出了针对第一视频片段(a)、第二视频片段(b)和第三视频片段(c)进行处理的示意图。其中,第一视频片段(a)、第二视频片段(b)的外观相似,第二视频片段(b)和第三视频片段(c)的播放速度相同。执行主体分别计算第一视频片段(a)和第二视频片段(b)之间的距离和第二视频片段(b)和第三视频片段(c)之间的距离。并据此生成损失函数,对目标模型进行训练。
步骤307,根据下游任务的样本数据,对训练好的目标模型进行微调。
本实施例中,执行主体还可以根据下游任务的样本数据,对训练好的目标模型进行微调。具体的,如果下游任务为分类任务,则执行主体可以在训练好的目标模型之后加入分类器,并在下游任务的数据集上以较小的学习率优化网络。这里,是避免以较高的学习率对目标模型的参数的调整过大,反而降低了目标模型的性能。
本公开的上述实施例提供的模型训练方法,训练过程不需要人工标注的视频标签,节省人力物力,可用于大规模无标签数据集的训练;训练过程在特征空间,可以保留更多视频相关的信息;不依赖负样本,节省了内存空间,减少了训练代价,同时在下游任务上微调,进一步提高模型的性能。
继续参见图5,其示出了根据本公开的视频处理方法的一个实施例的流程500。如图5所示,本实施例的方法可以包括以下步骤:
步骤501,获取目标视频。
本实施例中,执行主体可以首先获取目标视频。这里,目标视频是待处理的视频。
步骤502,利用通过模型训练方法训练得到的目标模型提取目标视频的特征,确定目标视频的目标特征。
本实施例中,执行主体可以将目标视频输入通过图2或图3实施例中所描述的模型训练方法得到的目标模型,得到目标视频的特征,记为目标特征。
步骤503,根据目标特征,对目标视频进行处理。
执行主体可以在得到目标特征后,继续对目标视频进行处理。例如可以进行视频检索,确定目标视频是否与其它视频相似。或者,可以对目标视频进行分类,确定目标视频中包括的类别。
本公开的上述实施例提供的视频处理方法,由于可以利用训练好的目标模型提取目标视频的高质量的特征,从而能够提高下游任务结果的准确度。
继续参见图6,其示出了根据本公开的模型训练方法、视频处理方法的一个应用场景的示意图。在图6的应用场景中,服务器601利用多个样本视频进行步骤201~204的处理后,得到训练好的目标模型。然后,将上述目标模型发送给终端602。终端602可以利用上述目标模型进行视频检索,得到多个相似的视频供用户查看。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种模型训练装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的模型训练装置700包括:视频片段抽取单元701、视频特征提取单元702、损失函数确定单元703和目标模型训练单元704。
视频片段抽取单元701,被配置成从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段。其中,第一视频片段与第二视频片段外观的相似度大于第一预设阈值,第二视频片段与第三视频片段播放速度相同。
视频特征提取单元702,被配置成利用目标模型分别提取第一视频片段、第二视频片段以及第三视频片段的特征,得到第一视频片段的第一特征、第二视频片段的第二特征以及第三视频片段的第三特征。
损失函数确定单元703,被配置成根据第一特征与第二特征之间的第一距离、第二特征和第三特征之间的第二距离,确定损失函数。
目标模型训练单元704,被配置成根据损失函数,训练目标模型。
在本实施例的一些可选的实现方式中,视频片段抽取单元701可以进一步被配置成:从样本视频集合中选取出第一样本视频和第二样本视频,第一样本视频和第二样本视频的外观相似度大于第二预设阈值;从第一样本视频中抽取出第一视频片段和第二视频片段;从第二样本视频中抽取出第三视频片段。
在本实施例的一些可选的实现方式中,视频片段抽取单元701可以进一步被配置成:从第一样本视频中选取连续的多个视频帧;将多个视频帧划分为数量相同的两个视频片段,得到第一视频片段和第二视频片段。
在本实施例的一些可选的实现方式中,视频片段抽取单元701可以进一步被配置成:确定第二视频片段的每秒显示帧数;以每秒显示帧数对第二样本视频进行采样,得到第三视频片段。
在本实施例的一些可选的实现方式中,视频特征提取单元702可以进一步被配置成:对第一视频片段和第二视频片段进行数据增强;利用目标模型对数据增强后的第一视频片段、数据增强后的第二视频片段和第三视频片段进行特征提取,得到第一特征、第二特征和第三特征。
在本实施例的一些可选的实现方式中,装置700还可以进一步包括图7中未示出的微调单元,被配置成:根据下游任务的样本数据,对训练好的目标模型进行微调。
应当理解,模型训练装置700中记载的单元701至单元704分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对模型训练方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种视频处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的视频处理装置800包括:视频获取单元801、特征提取单元802和视频处理单元803。
视频获取单元801,被配置成获取目标视频。
特征提取单元802,被配置成利用通过图2或图3实施例所描述的模型训练方法训练得到的目标模型提取目标视频的特征,确定目标视频的目标特征。
视频处理单元803,被配置成根据目标特征,对目标视频进行处理。
应当理解,视频处理装置800中记载的单元801至单元803分别与参考图4中描述的方法中的各个步骤相对应。由此,上文针对视频处理方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了根据本公开实施例的执行模型训练方法、视频处理方法的电子设备900的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储器908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。I/O接口(输入/输出接口)905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储器908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器901可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器901执行上文所描述的各个方法和处理,例如模型训练方法、视频处理方法。例如,在一些实施例中,模型训练方法、视频处理方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由处理器901执行时,可以执行上文描述的模型训练方法、视频处理方法的一个或多个步骤。备选地,在其他实施例中,处理器901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法、视频处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器901执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (17)
1.一种模型训练方法,包括:
从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段,其中,所述第一视频片段与所述第二视频片段外观的相似度大于第一预设阈值,所述第二视频片段与所述第三视频片段播放速度相同;
利用目标模型分别提取所述第一视频片段、所述第二视频片段以及所述第三视频片段的特征,得到所述第一视频片段的第一特征、所述第二视频片段的第二特征以及所述第三视频片段的第三特征;
根据所述第一特征与所述第二特征之间的第一距离、所述第二特征和所述第三特征之间的第二距离,确定损失函数;
根据所述损失函数,训练所述目标模型。
2.根据权利要求1所述的方法,其中,所述从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段,包括:
从所述样本视频集合中选取出第一样本视频和第二样本视频,所述第一样本视频和所述第二样本视频的外观相似度大于第二预设阈值;
从所述第一样本视频中抽取出所述第一视频片段和所述第二视频片段;
从所述第二样本视频中抽取出所述第三视频片段。
3.根据权利要求2所述的方法,其中,所述从所述第一样本视频中抽取出所述第一视频片段和所述第二视频片段,包括:
从所述第一样本视频中选取连续的多个视频帧;
将所述多个视频帧划分为数量相同的两个视频片段,得到所述第一视频片段和所述第二视频片段。
4.根据权利要求2或3所述的方法,其中,所述从所述第二样本视频中抽取出所述第三视频片段,包括:
确定所述第二视频片段的每秒显示帧数;
以所述每秒显示帧数对所述第二样本视频进行采样,得到所述第三视频片段。
5.根据权利要求1所述的方法,其中,所述利用目标模型分别提取所述第一视频片段、所述第二视频片段以及所述第三视频片段的特征,得到所述第一视频片段的第一特征、所述第二视频片段的第二特征以及所述第三视频片段的第三特征,包括:
对所述第一视频片段和所述第二视频片段进行数据增强;
利用所述目标模型对数据增强后的第一视频片段、数据增强后的第二视频片段和所述第三视频片段进行特征提取,得到所述第一特征、所述第二特征和第三特征。
6.根据权利要求1所述的方法,其中,所述方法还包括:
根据下游任务的样本数据,对训练好的目标模型进行微调。
7.一种视频处理方法,包括:
获取目标视频;
利用通过权利要求1-6任一项所述的模型训练方法训练得到的目标模型提取所述目标视频的特征,确定所述目标视频的目标特征;
根据所述目标特征,对所述目标视频进行处理。
8.一种模型训练装置,包括:
视频片段抽取单元,被配置成从样本视频集合中抽取出第一视频片段、第二视频片段以及第三视频片段,其中,所述第一视频片段与所述第二视频片段外观的相似度大于第一预设阈值,所述第二视频片段与所述第三视频片段播放速度相同;
视频特征提取单元,被配置成利用目标模型分别提取所述第一视频片段、所述第二视频片段以及所述第三视频片段的特征,得到所述第一视频片段的第一特征、所述第二视频片段的第二特征以及所述第三视频片段的第三特征;
损失函数确定单元,被配置成根据所述第一特征与所述第二特征之间的第一距离、所述第二特征和所述第三特征之间的第二距离,确定损失函数;
目标模型训练单元,被配置成根据所述损失函数,训练所述目标模型。
9.根据权利要求8所述的装置,其中,所述视频片段抽取单元进一步被配置成:
从所述样本视频集合中选取出第一样本视频和第二样本视频,所述第一样本视频和所述第二样本视频的外观相似度大于第二预设阈值;
从所述第一样本视频中抽取出所述第一视频片段和所述第二视频片段;
从所述第二样本视频中抽取出所述第三视频片段。
10.根据权利要求9所述的装置,其中,所述视频片段抽取单元进一步被配置成:
从所述第一样本视频中选取连续的多个视频帧;
将所述多个视频帧划分为数量相同的两个视频片段,得到所述第一视频片段和所述第二视频片段。
11.根据权利要求9或10所述的装置,其中,所述视频片段抽取单元进一步被配置成:
确定所述第二视频片段的每秒显示帧数;
以所述每秒显示帧数对所述第二样本视频进行采样,得到所述第三视频片段。
12.根据权利要求8所述的装置,其中,所述视频特征提取单元进一步被配置成:
对所述第一视频片段和所述第二视频片段进行数据增强;
利用所述目标模型对数据增强后的第一视频片段、数据增强后的第二视频片段和所述第三视频片段进行特征提取,得到所述第一特征、所述第二特征和第三特征。
13.根据权利要求8所述的装置,其中,所述装置还包括微调单元,被配置成:
根据下游任务的样本数据,对训练好的目标模型进行微调。
14.一种视频处理装置,包括:
视频获取单元,被配置成获取目标视频;
特征提取单元,被配置成利用通过权利要求1-6任一项所述的模型训练方法训练得到的目标模型提取所述目标视频的特征,确定所述目标视频的目标特征;
视频处理单元,被配置成根据所述目标特征,对所述目标视频进行处理。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法或执行权利要求7所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法或权利要求7所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法或权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926860.8A CN113627354B (zh) | 2021-08-12 | 2021-08-12 | 模型训练、视频处理方法,装置,设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926860.8A CN113627354B (zh) | 2021-08-12 | 2021-08-12 | 模型训练、视频处理方法,装置,设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627354A true CN113627354A (zh) | 2021-11-09 |
CN113627354B CN113627354B (zh) | 2023-08-08 |
Family
ID=78385142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926860.8A Active CN113627354B (zh) | 2021-08-12 | 2021-08-12 | 模型训练、视频处理方法,装置,设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627354B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053342A1 (en) * | 2004-09-09 | 2006-03-09 | Bazakos Michael E | Unsupervised learning of events in a video sequence |
CN108154137A (zh) * | 2018-01-18 | 2018-06-12 | 厦门美图之家科技有限公司 | 视频特征学习方法、装置、电子设备及可读存储介质 |
CN108427713A (zh) * | 2018-02-01 | 2018-08-21 | 宁波诺丁汉大学 | 一种用于自制视频的视频摘要方法及*** |
US10541000B1 (en) * | 2015-06-26 | 2020-01-21 | Amazon Technologies, Inc. | User input-based video summarization |
WO2020019926A1 (zh) * | 2018-07-27 | 2020-01-30 | 腾讯科技(深圳)有限公司 | 特征提取模型训练方法、装置、计算机设备及计算机可读存储介质 |
CN110769314A (zh) * | 2019-11-20 | 2020-02-07 | 三星电子(中国)研发中心 | 一种视频播放方法、装置和计算机可读存储介质 |
WO2020087979A1 (zh) * | 2018-10-30 | 2020-05-07 | 北京字节跳动网络技术有限公司 | 生成模型的方法和装置 |
CN112650885A (zh) * | 2021-01-22 | 2021-04-13 | 百度在线网络技术(北京)有限公司 | 视频分类方法、装置、设备和介质 |
-
2021
- 2021-08-12 CN CN202110926860.8A patent/CN113627354B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053342A1 (en) * | 2004-09-09 | 2006-03-09 | Bazakos Michael E | Unsupervised learning of events in a video sequence |
US10541000B1 (en) * | 2015-06-26 | 2020-01-21 | Amazon Technologies, Inc. | User input-based video summarization |
CN108154137A (zh) * | 2018-01-18 | 2018-06-12 | 厦门美图之家科技有限公司 | 视频特征学习方法、装置、电子设备及可读存储介质 |
CN108427713A (zh) * | 2018-02-01 | 2018-08-21 | 宁波诺丁汉大学 | 一种用于自制视频的视频摘要方法及*** |
WO2020019926A1 (zh) * | 2018-07-27 | 2020-01-30 | 腾讯科技(深圳)有限公司 | 特征提取模型训练方法、装置、计算机设备及计算机可读存储介质 |
WO2020087979A1 (zh) * | 2018-10-30 | 2020-05-07 | 北京字节跳动网络技术有限公司 | 生成模型的方法和装置 |
CN110769314A (zh) * | 2019-11-20 | 2020-02-07 | 三星电子(中国)研发中心 | 一种视频播放方法、装置和计算机可读存储介质 |
CN112650885A (zh) * | 2021-01-22 | 2021-04-13 | 百度在线网络技术(北京)有限公司 | 视频分类方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
杜鹏飞等: ""多模态视觉语言表征学习研究综述"", 《软件学报》, vol. 32, no. 2, pages 327 - 348 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627354B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN112929744B (zh) | 用于分割视频剪辑的方法、装置、设备、介质和程序产品 | |
CN113159010B (zh) | 视频分类方法、装置、设备和存储介质 | |
US11164004B2 (en) | Keyframe scheduling method and apparatus, electronic device, program and medium | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN112508115B (zh) | 建立节点表示模型的方法、装置、设备和计算机存储介质 | |
CN113436100A (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
WO2024099171A1 (zh) | 视频生成方法和装置 | |
CN112908297A (zh) | 车载设备的响应速度测试方法、装置、设备及存储介质 | |
CN112784734A (zh) | 一种视频识别方法、装置、电子设备和存储介质 | |
CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
US11120460B2 (en) | Effectiveness of service complexity configurations in top-down complex services design | |
CN113139463B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN113627354B (zh) | 模型训练、视频处理方法,装置,设备以及存储介质 | |
CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN113920404A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN113379750A (zh) | 语义分割模型的半监督学习方法、相关装置及产品 | |
CN114125324A (zh) | 一种视频拼接方法、装置、电子设备及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113873323A (zh) | 视频播放方法、装置、电子设备和介质 | |
CN112560987A (zh) | 图像样本处理方法、装置、设备、存储介质和程序产品 |
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 |