CN114627416A

CN114627416A - 视频处理方法和装置

Info

Publication number: CN114627416A
Application number: CN202210253329.3A
Authority: CN
Inventors: 杨虎; 李国豪; 汪琦; 冯知凡; 柴春光; 朱勇
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2022-03-15
Filing date: 2022-03-15
Publication date: 2022-06-14

Abstract

本公开提供了一种视频处理方法和装置，涉及深度学习、自然语言学习、知识图谱等人工智能技术领域。具体实现方案为：对获取到的目标视频进行对象识别处理，得到目标视频的目标识别结果，对获取到的样本视频进行对象识别处理，得到样本视频的样本识别结果，根据样本识别结果和目标识别结果，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本，其中，目标视频的负样本包括视频负样本，使得目标视频与视频负样本之间的差异性相对较小，以当基于目标视频和视频负样本进行多模态预训练时，提高多模态预训练的收敛效率，提高多模态预训练得到的网络模型的可靠性和有效性。

Description

视频处理方法和装置

技术领域

本公开涉及深度学习、自然语言学习、知识图谱等人工智能技术领域，尤其涉及一种视频处理方法和装置。

背景技术

随机深度学习技术的发展，模型训练成为研究热点，如与视频相关的任务的模型训练，具体如视频检索模型等。

在相关技术中，可以在网络上获取视频，并基于获取到的视频确定与描点(anchor)视频对应的视频负样本，以基于anchor视频和视频负样本训练得到与视频相关的任务的模型。

然而，采用上述方法，导致视频负样本缺乏多样性和可靠性，从而导致训练得到的模型的可靠性偏低。

发明内容

本公开提供了一种用于提高视频负样本的可靠性的视频处理方法和装置。

根据本公开的第一方面，提供了一种视频处理方法，包括：

对获取到的目标视频进行对象识别处理，得到所述目标视频的目标识别结果；

对获取到的样本视频进行对象识别处理，得到所述样本视频的样本识别结果；

根据所述样本识别结果和所述目标识别结果，对所述目标视频中的目标对象进行替换处理，得到所述目标视频的视频负样本，其中，所述目标视频的负样本包括所述视频负样本。

根据本公开的第二方面，提供了一种视频处理方法，包括：

获取预训练样本视频，其中，所述预训练样本视频包括正样本和负样本，所述负样本为基于第一方面所述的方法生成的；

根据所述预训练样本视频进行训练，得到目标任务视频模型。

根据本公开的第三方面，提供了一种视频处理装置，包括：

第一识别单元，用于对获取到的目标视频进行对象识别处理，得到所述目标视频的目标识别结果；

第二识别单元，用于对获取到的样本视频进行对象识别处理，得到所述样本视频的样本识别结果；

替换单元，用于根据所述样本识别结果和所述目标识别结果，对所述目标视频中的目标对象进行替换处理，得到所述目标视频的视频负样本，其中，所述目标视频的负样本包括所述视频负样本。

根据本公开的第四方面，提供了一种视频处理装置，包括：

第三获取单元，用于获取预训练样本视频，其中，所述预训练样本视频包括正样本和负样本，所述负样本为基于第一方面所述的方法生成的；

训练单元，用于根据所述预训练样本视频进行训练，得到目标任务视频模型。

根据本公开的第五方面，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第一方面或第二方面所述的方法。

根据本公开的第六方面，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，其中，所述计算机指令用于使所述计算机执行根据第一方面或第二方面所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。

根据本公开的分别对目标视频和样本视频进行对象识别处理，得到各自对应的识别结果，并基于两个识别结果对目标对象进行替换处理，以得到负样本的技术方案，避免了从网上获取负样本造成的可靠性偏低的弊端，使得目标视频与视频负样本之间的差异性相对较小，以当基于目标视频和视频负样本进行多模态预训练时，提高多模态预训练的收敛效率，提高多模态预训练得到的网络模型的可靠性和有效性。

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是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是根据本公开第七实施例的示意图；

图8是用来实现本公开实施例的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。

视频作为一种多模态信息的载体，即多种维度的信息的载体，如声音维度和视觉维度等，在现代生活中发挥着重要的作用。

随机深度学习技术的发展，预训练技术成为研究热点。示例性的，训练技术的流程可以大概理解为：基于预训练数据进行预训练，得到预训练模型，然后根据不同的训练任务对预训练任务进行微调，以得到用于实现相应训练任务的网络模型。

相应的，多模态预训练技术作为其中重要的一个分支，用于对多模态信息进行理解。

以视频的多模态预训练技术为例，可以基于预训练数据(即用于预训练的样本视频)进行预训练，得到视频预训练模型，在此基于上，可以根据视频相关的任务，如视频检索任务、视频问答任务、视频描述生成任务等，对预训练模型进行微调，从而得到与各任务各自对应的网络模型。

例如，得到与视频检索任务对应的网络模型，该网络模型可以用于实现视频检索。又如，得到与视频问答任务对应的网络模型，该网络模型可以用于实现视频问答。又如，得到与视频描述生成任务对应的网络模型，该网络模型可以用于描述视频。

在视频的多模态预训练中，预训练数据可以包括正样本视频和负样本视频，正样本视频可以被称为描点视频，负样本视频为从网络上获取的视频，且具体为从获取到的视频中随机获取到的视频。

由于负样本视频是从网络上的视频中随机获取的，与描点视频之间通常存在较为明显的差异，因此，多模态预训练的基础网络模型在大部分负样本数据上很难进行参数优化，导致收敛效率和可靠性偏低，且基础网络模型无法学习细粒度区别的视频之间多模态信息。

为了避免上述技术问题中的至少一种，本公开的发明人经过创造性地劳动，得到了本公开的发明构思：分别对目标视频中的图像和样本视频中的图像进行对象识别处理，得到各自对应的识别结果，并基于各自对应的识别结果替换目标视频中的目标对象，以得到目标视频的视频负样本。

基于上述发明构思，本公开提供一种视频处理方法和装置，应用于深度学习、自然语言学习、知识图谱等人工智能技术领域，以达到提高视频处理的有效性和可靠性。

图1是根据本公开第一实施例的示意图，如图1所示，本公开实施例的视频处理方法，包括：

S101：对获取到的目标视频进行对象识别处理，得到目标视频的目标识别结果。

示例性的，本实施例的执行主体可以为视频处理装置，且视频处理装置可以为服务器(如云端服务器，或者本地服务器，或者服务器集群等)，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片等，本实施例不做限定。

S102：对获取到的样本视频进行对象识别处理，得到样本视频的样本识别结果。

目标视频与样本视频为相对概念，目标视频即为锚点视频，或者称为正样本视频，样本视频可以理解为从网上获取到的视频。

对象识别处理是指，对视频中的对象进行识别，以得到识别结果。相应的，目标识别结果可以理解为，对目标视频中的对象进行识别而得到的识别结果。样本识别结果可以理解为，对样本视频中的对象进行识别而得到的识别结果。

S103：根据样本识别结果和目标识别结果，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本。

其中，目标视频的负样本包括视频负样本。

结合上述分析，目标识别结果为对目标视频中的对象进行识别而得到的识别结果，为便于将目标视频中的对象与样本视频中的对象进行区分，可以将目标视频中的对象称为目标对象，在本实施例中，在得到样本识别结果和目标识别结果之后，可以根据该两个识别结果对目标对象进行替换，得到的视频即为视频负样本。

相对而言，视频负样本与目标视频之间的差异较小，即视频负样本与目标视频较难区分，可以将视频负样本称为目标视频的困难负样本。

结合上述分析可知，若视频负样本与目标视频之间的差异较大时，多模态预训练的基础网络模型很难进行参数优化，导致收敛效率和可靠性偏低，且基础网络模型无法学习细粒度区别的视频之间多模态信息；反之，若视频负样本与目标视频之间的差异较小时，多模态预训练的基础网络模型可以较为容易的进行参数优化，提高收敛效率和可靠性，且基础网络模型可以学习细粒度区别的视频之间多模态信息，从而提高多模态预训练得到的网络模型的可靠性和有效性。

基于上述分析可知，本公开实施例提供了一种视频处理方法，包括：对获取到的目标视频进行对象识别处理，得到目标视频的目标识别结果，对获取到的样本视频进行对象识别处理，得到样本视频的样本识别结果，根据样本识别结果和目标识别结果，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本，其中，目标视频的负样本包括视频负样本，在本实施例中，通过分别对目标视频和样本视频进行对象识别处理，得到各自对应的识别结果，并基于两个识别结果对目标对象进行替换处理，以得到负样本的技术特征，避免了从网上获取负样本造成的可靠性偏低的弊端，使得目标视频与视频负样本之间的差异性相对较小，以当基于目标视频和视频负样本进行多模态预训练时，提高多模态预训练的收敛效率，提高多模态预训练得到的网络模型的可靠性和有效性。

为使读者更加深刻地理解本公开的实现原理，现结合图2对上述实施例进行更为细化地阐述。图2是根据本公开第二实施例的示意图，如图2所示，本公开实施例的视频处理方法，包括：

S201：获取目标视频和预训练数据集，预训练数据集中包括样本视频。

应该理解的是，为了避免繁琐的陈述，关于本实施例与上述实施例相同的技术特征，本实施例不做限定。

其中，预训练数据集中的样本视频的数量可以为多个，也可以为一个，本实施例不做限定。

S202：获取目标视频的目标描述文本、以及样本视频的样本描述文本。

其中，目标描述文本为用于描述目标视频的文本，样本描述文本为用于描述样本视频的文本。

示例性的，目标描述文本为对目标视频的内容进行描述的文本，如目标视频的标题。样本描述文本为对样本视频的内容进行描述的文本，如样本视频的标题。

S203：根据样本描述文本对目标描述文本进行调整处理，得到目标视频的描述负样本。

其中，目标视频的负样本包括描述负样本。

本实施例对调整处理的方式不做限定，如可以为替换，也可以为***，也可以为删除等，此处不再一一列举。

在本实施例中，通过结合样本描述文本对目标描述文本进行调整，以得到负样本中的描述文本，可以使得负样本与目标视频更接近，提高负样本的干扰能力，从而提高多模态预训练的抗干扰能力。

在一些实施例中，S203可以包括如下步骤：

第一步骤：获取样本描述文本中的样本词语，获取目标描述文本中的目标词语。

其中，样本词语和目标词语均具有词性信息。词性信息包括但不限于名词、动词、形容词。

同理，样本词语和目标词语为相对概念，样本词语为样本描述文本中的词语，目标词语为目标描述文本中的词语。

第二步骤：根据样本词语和目标词语各自对应的词性信息，对目标描述文本进行调整处理，得到描述负样本。

词性信息为词语的重要内容，而文本由词语构成，因此，在本实施例中，通过结合词性信息对目标描述文本进行调整处理，可以进一步实现得到的描述负样本的有效性和可靠性的技术效果。

在一些实施例中，第二步骤包括：若样本词语的词性信息与目标词语的词性信息相同，则将样本词语***和/或替换目标描述文本，得到描述负样本。

也就是说，可以基于***样本词语的方式得到描述负样本，也可以基于替换目标描述文本的方式得到描述文本，还可以结合***和替换两种方式得到描述负文本。

在本实施例中，通过结合***和/或替换的方式得到描述负样本，可以使得描述负样本与目标描述文本之间的差异相对较小，以满足多模态预训练的收敛效率和可靠性，也可以实现得到描述负样本的灵活性和多样性。

在一些实施例中，样本词语和目标词语的数量均为多个，通过替换的方式得到描述负样本包括：从各目标词语中随机抽取部分目标词语，针对部分目标词语中的每一目标词语，根据该目标词语具有相同词性信息的样本词语，对该目标词语进行替换，得到描述负样本。

示例性的，目标描述文本为：狗在户外玩球。目标词语包括：狗、户外、玩、球，且“狗”、“户外”以及“球”三个目标词语的词性信息均为名词，“玩”的词性信息为动词。

样本描述文本为：猫在室内玩球。样本名词包括：猫、室内、玩、球，且“猫”、“室内”以及“球”三个样本词语的词性信息均为名词，“玩”的词性信息为动词。

可以从目标词语中抽取“狗”，将样本词语中的“猫”替换目标词语中的“狗”，得到的描述负样本为：猫在户外玩球。

在本实施例中，通过随机抽取并替换的方式得到描述负样本，提高描述负样本的随机性、多样性以及灵活性，且使得描述负样本与目标描述样本具有一定的相似性，却又不完全相同，增加了用于多模型预训练的负样本数据与正样本数据的区分难度，使得多模态预训练的基础网络模型可以学习细粒度区别的视频之间多模态信息，从而提高多模态预训练得到的网络模型的可靠性。

在一些实施例中，样本词语和目标词语的数量均为多个，通过***的方式得到描述负样本包括：从各目标词语中随机抽取部分目标词语，针对部分目标词语中的每一目标词语，将该目标词语具有相同词性信息的样本词语***作为该目标词语相邻的词语，得到描述负样本。

结合上述示例，可以将样本词语“猫”***至目标描述文本中，作为目标词语“狗”相邻的词语，得到的描述负样本为：狗猫在户外玩球，或者，猫狗在户外玩球。

同理，在本实施例中，通过随机抽取并***的方式得到描述负样本，提高描述负样本的随机性、多样性以及灵活性，且使得描述负样本与目标描述样本具有一定的相似性，却又不完全相同，增加了用于多模型预训练的负样本数据与正样本数据的区分难度，使得多模态预训练的基础网络模型可以学习细粒度区别的视频之间多模态信息，从而提高多模态预训练得到的网络模型的可靠性。

值得说明的是，若结合***和替换两种方式得到描述负样本，则可以先执行***的方式，而后执行替换的方式；也可以先执行替换的方式，而后执行***的方式；也可以同时执行两种方式，并将执行两种方式各自对应的结果进行组合。

其中，可以基于需求、试验以及历史记录等预先设置***和/或替换的比例，如20％-50％。

在一些实施例中，还可以结合词性信息和类别信息执行调整处理(如***和/或替换)。示例性的，目标词语具有词性信息和类别信息，样本词语也具有词性信息和类别信息。以替换的方式为例，可以确定目标词语和样本词语各自对应的词性信息，并确定目标词语和样本词语各自对应的类别信息，若目标词语和样本词语具有相同的词性信息，且具有相同的类别信息，则可以将样本词语替换目标词语。

其中，样本词语的类别信息用于表征样本词语的所属分类，如样本词语“猫”的类别信息为动物。目标词语的类别信息用于表征目标词语的所属分类，如目标词语“狗”的所属分类为动物。相应的，将样本词语“猫”替换目标词语“狗”，从而得到描述负样本，以进一步增加目标描述样本与描述负样本之间的难度，提高多模态预训练的可靠性。

在一些实施例中，可以基于词性映射关系确定样本词语和目标词语各自对应的词性信息。

示例性的，可以预先构建词性映射关系，以通过词性映射关系表征词语与词性信息之间的对应关系，以在得到样本词语和目标词语后，可以从词性映射关系中确定与样本词语具有对应关系的词性信息，也可以从词性映射关系中确定与目标词语具有对应关系的词性信息。

例如，可以获取历史的描述视频的文本，对获取到的文本进行切词处理，以得到获取到的文本中的各词语，并识别得到各词语各自对应的词性信息，以基于各词语和各词语各自对应的词性信息构建词性映射关系。

如在词性映射关系中，“帮助”、“做”以及“移动”等的词性信息为动词，“地面”和“森林”等的词性信息为名词，等等，此处不再一一列举。

在本实施例中，通过结合词性映射关系确定目标词语和样本词语各自对应的词性信息，可以提高确定词性信息的效率。

S204：获取描述负样本对应的图像。

示例性的，可以训练得到用于生成描述负样本对应的图像的网络模型，以基于该网络模型生成描述负样本对应的图像。

S205：根据描述负样本对应的图像，生成目标视频的描述视频负样本。

其中，目标视频的负样本还包括描述视频负样本。

在本实施例中，通过结合描述负样本对应的图像生成描述视频负样本，可以使得描述视频负样本与描述负样本之间高度关联，从而使得描述视频负样本与目标视频之间具有差异，且差异相对较小，以当基于目标视频和描述视频负样本进行多模态预训练时，提高多模态预训练的收敛效率，提高多模态预训练得到的网络模型的可靠性和有效性。

S206：对目标视频进行切帧处理，得到目标视频的各目标图像，并对每一目标图像进行对象识别处理，得到目标识别结果。

同理，目标图像与后文中的样本图像为相对概念，目标图像为目标视频中的图像，样本图像为样本视频中的图像。

示例性的，以帧为单位对目标视频进行拆分，得到N(N为大于1的正整数)帧目标图像，并对每一目标图像中的对象进行识别，得到目标识别结果。

在本实施例中，通过结合对各目标图像中的对象进行识别，以得到目标识别结果，可以使得目标识别结果较为全面的表征目标视频中的对象的相关信息，提高目标识别结果的准确性和可靠性。

在一些实施例中，对每一目标图像进行对象识别处理，得到目标识别结果，包括：

第一步骤：对每一目标图像进行对象识别处理，得到各目标图像各自对应的目标对象。

结合上述分析，目标视频中包括N帧目标图像，对其中的第一帧目标图像中的对象进行识别，得到第一帧图像中的目标对象，如人、动物、建筑物等，依次类推，直至得到第N帧目标图像中的目标对象。

第二步骤：根据各目标图像、以及各目标图像各自对应的目标对象，构建目标映射关系。

其中，目标识别结果包括目标映射关系，目标映射关系用于表征目标图像与目标对象之间的对应关系。

示例性的，目标映射关系用于表征：第一帧目标图像中的目标对象为“狗”，第二帧目标图像中的目标对象为“树”，等等。

在本实施例中，通过将表征目标对象与目标图像之间的对应关系的目标映射关系确定为目标识别结果，可以使得目标识别结果较为丰富的表征目标视频中的目标对象，提高目标识别结果的可靠性。

S207：对样本视频进行切帧处理，得到样本视频的各样本图像，并对每一样本图像进行对象识别处理，得到样本识别结果。

同理，可以帧为单位对样本视频进行拆分，得到M(M为大于1的正整数)帧样本图像，并对每一样本图像中的对象进行识别，得到样本识别结果。

在本实施例中，通过结合对各样本图像中的对象进行识别，以得到样本识别结果，可以使得样本识别结果较为全面的表征样本视频中的对象的相关信息，提高样本识别结果的准确性和可靠性。

在一些实施例中，对每一样本图像进行对象识别处理，得到样本识别结果，包括：

第一步骤：对每一样本图像进行对象识别处理，得到各样本图像各自对应的样本对象。

结合上述分析，样本视频中包括M帧样本图像，对其中的第一帧样本图像中的对象进行识别，得到第一帧图像中的样本对象，如人、动物、建筑物等，依次类推，直至得到第M帧样本图像中的样本对象。

第二步骤：根据各样本图像、以及各样本图像各自对应的样本对象，构建样本映射关系。

其中，样本识别结果包括样本映射关系，样本映射关系用于表征样本图像与样本对象之间的对应关系。

示例性的，样本映射关系用于表征：第一帧样本图像中的样本对象为“狗”，第二帧样本图像中的样本对象为“树”，等等。

在本实施例中，通过将表征样本对象与样本图像之间的对应关系的样本映射关系确定为样本识别结果，可以使得样本识别结果较为丰富的表征样本视频中的样本对象，提高样本识别结果的可靠性。

S208：根据样本识别结果和目标识别结果，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本。

其中，目标视频的负样本包括视频负样本。

在一些实施例中，结合上述分析，样本识别结果包括用于表征样本图像与样本对象之间的对应关系的样本映射关系，目标识别结果包括用于表征目标图像与目标对象之间的对应关系的目标映射关系，因此，可以基于样本映射关系和目标映射关系，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本。

示例性的，目标对象和样本对象均具有类别属性，若样本对象的类别属性与目标对象的类型属性相同，则将目标对象替换为样本对象，得到目标视频的视频负样本。

例如，若样本对象为“猫”，则样本对象的类别属性为动物。若目标对象为“狗”，则目标对象的类型属性也为动物。目标对象的类型属性与样本对象的类别属性相同，则可以将目标对象“狗”替换为样本对象“猫”，以得到视频负样本。

结合上述分析，目标图像和样本图像的数量均为多帧，在将目标图像中的目标对象进行替换后，可以基于目标映射关系确定拼接顺序，并基于该拼接顺序将替换后的目标图像、没有替换的目标图像进行拼接，得到视频负样本。

值得说明的是，替换目标对象的数量可以基于需求、历史记录以及试验等方式进行确定。

针对不同目标图像中的相同目标对象，可以采用不同的样本对象进行替换，也可以采用相同的样本对象进行替换。

在本实施例中，通过结合类别属性得到视频负样本，以使得视频负样本与目标视频之间的关联性相对较高，差异相对较小，从而可以提高多模态预训练的收敛效率，且可以提高多模态预训练得到的网络模型的可靠性和有效性。

图3是根据本公开第三实施例的示意图，如图3所示，本公开实施例的视频处理方法，包括：

S301：获取预训练样本视频。

其中，预训练样本视频包括正样本和负样本，负样本为基于如上任一实施例所述的方法生成的，如基于图1或图2所示的方法生成的。

示例性的，本实施例的执行主体可以为视频处理装置，本实施例的执行主体可以与上述第一实施例和第二实施例的执行主体相同，也可以不同，本实施例不做限定。

S302：根据预训练样本视频进行训练，得到目标任务视频模型。

在一些实施例中，S302可以包括如下步骤：

第一步骤：根据预训练样本视频进行多模态预训练，得到预训练视频模型。

示例性的，预训练样本视频中包括正样本和负样本，正样本与负样本之间的差异相对较小，可以提高多模态预训练的收敛效率，且可以使得预训练视频模型具有更为细粒度的多模态信息的分析能力。

其中，可以采用自然语言预训练模型(Bidirectional Encoder Representationfrom Transformers，BERT)进行多模态预训练，具体实现原理此处不再赘述。

第二步骤：根据预设的目标任务对预训练视频模型进行调整处理，得到目标任务视频模型。

结合上述分析，目标任务可以为视频检索任务，相应的，可以基于视频检索任务对预训练视频模型进行调整处理，即对预训练模型进行微调，以得到视频检索任务视频模型，视频检索任务视频模型可以用于对视频进行检索，以得到满足用户需求的视频。

同理，目标任务也可以为视频问答任务和视频描述生成任务等，此处不再一一列举。

图4是根据本公开第四实施例的示意图，如图4所示，本公开实施例的视频处理装置400，包括：

第一识别单元401，用于对获取到的目标视频进行对象识别处理，得到目标视频的目标识别结果。

第二识别单元402，用于对获取到的样本视频进行对象识别处理，得到样本视频的样本识别结果。

替换单元403，用于根据样本识别结果和目标识别结果，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本，其中，目标视频的负样本包括视频负样本。

图5是根据本公开第五实施例的示意图，如图5所示，本公开实施例的视频处理装置500，包括：

第一识别单元501，用于对获取到的目标视频进行对象识别处理，得到目标视频的目标识别结果。

结合图5可知，在一些实施例中，第一识别单元501，包括：

第一切帧子单元5011，用于对目标视频进行切帧处理，得到目标视频的各目标图像。

第一识别子单元5012，用于对每一目标图像进行对象识别处理，得到所述目标识别结果。

在一些实施例中，第一识别子单元5012，包括：

第一识别模块，用于对每一目标图像进行对象识别处理，得到各目标图像各自对应的目标对象；

第一构建模块，用于根据各目标图像、以及各目标图像各自对应的目标对象，构建目标映射关系，其中，目标识别结果包括目标映射关系，目标映射关系用于表征目标图像与目标对象之间的对应关系。

第二识别单元502，用于对获取到的样本视频进行对象识别处理，得到样本视频的样本识别结果。

结合图5可知，在一些实施例中，第二识别单元502，包括：

第二切换子单元5021，用于对样本视频进行切帧处理，得到样本视频的各样本图像。

第二识别子单元5022，用于对每一样本图像进行对象识别处理，得到所述样本识别结果。

在一些实施例中，第二识别子单元5022，包括：

第二识别模块，用于对每一样本图像进行对象识别处理，得到各样本图像各自对应的样本对象。

第二构建模块，用于根据各样本图像、以及各样本图像各自对应的样本对象，构建样本映射关系，其中，样本识别结果包括样本映射关系，样本映射关系用于表征样本图像与样本对象之间的对应关系。

替换单元503，用于根据样本识别结果和目标识别结果，对目标视频中的目标对象进行替换处理，得到目标视频的视频负样本，其中，目标视频的负样本包括视频负样本。

在一些实施例中，样本识别结果包括样本对象，目标识别结果包括目标对象，目标对象和样本对象均具有类别属性；替换单元503用于，若样本对象的类别属性与目标对象的类型属性相同，则将目标对象替换为样本对象，得到目标视频的视频负样本。

第一获取单元504，用于获取目标描述文本和样本描述文本，其中，目标描述文本为用于描述目标视频的文本，样本描述文本为用于描述样本视频的文本。

调整单元505，用于根据样本描述文本对目标描述文本进行调整处理，得到目标视频的描述负样本，其中，目标视频的负样本还包括描述负样本。

结合图5可知，在一些实施例中，调整单元505，包括：

获取子单元5051，用于获取样本描述文本中的样本词语，获取目标描述文本中的目标词语，其中，样本词语和目标词语均具有词性信息。

调整子单元5052，用于根据样本词语和目标词语各自对应的词性信息，对目标描述文本进行调整处理，得到描述负样本。

在一些实施例中，调整子单元5052用于，若样本词语的词性信息与目标词语的词性信息相同，则将样本词语***和/或替换目标描述文本，得到描述负样本。

在一些实施例中，样本词语和目标词语的数量均为多个；调整子单元5052用于，从各目标词语中随机抽取部分目标词语，针对部分目标词语中的每一目标词语，根据该目标词语具有相同词性信息的样本词语，对该目标词语进行替换，得到描述负样本。和/或，

调整子单元5052用于，从各目标词语中随机抽取部分目标词语，针对部分目标词语中的每一目标词语，将该目标词语具有相同词性信息的样本词语***作为该目标词语相邻的词语，得到描述负样本。

在一些实施例中，样本词语和目标词语各自对应的词性信息，是基于先构建的词性映射关系确定的。词性映射关系用于表征词语与词性信息之间的对应关系。

第二获取单元506，用于获取描述负样本对应的图像。

生成单元507，用于根据描述负样本对应的图像，生成目标视频的描述视频负样本，其中，目标视频的负样本还包括描述视频负样本。

图6是根据本公开第六实施例的示意图，如图6所示，本公开实施例的视频处理装置600，包括：

第三获取单元601，用于获取预训练样本视频，其中，预训练样本视频包括正样本和负样本，负样本为基于上述任一实施例所述的方法生成的。

训练单元602，用于根据预训练样本视频进行训练，得到目标任务视频模型。

结合图6可知，在一些实施例中，训练单元602，包括：

预训练子单元6021，用于根据预训练样本视频进行预训练，得到预训练视频模型。

处理子单元6022，用于根据预设的目标任务对预训练视频模型进行调整处理，得到目标任务视频模型。

图7是根据本公开第七实施例的示意图，如图7所示，本公开中的电子设备700可以包括：处理器701和存储器702。

存储器702，用于存储程序；存储器702，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器702用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器702中。并且上述的计算机程序、计算机指令、数据等可以被处理器701调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器702中。并且上述的计算机程序、计算机指据等可以被处理器701调用。

处理器701，用于执行存储器702存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器701和存储器702可以是独立结构，也可以是集成在一起的集成结构。当处理器701和存储器702是独立结构时，存储器702、处理器701可以通过总线703耦合连接。

本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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，个人数字助理、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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。

计算单元801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。计算单元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理，例如视频处理方法。例如，在一些实施例中，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介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的视频处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801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)、复杂可编程逻辑设备(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。这些程序代码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或控制器执行时使流程图和/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。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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)、光学储存设备、磁储存设备、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。服务器也可以为分布式***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，本发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，均应包含在本公开保护范围之内。

Claims

1.一种视频处理方法，包括：

2.根据权利要求1所述的方法，其中，所述样本识别结果包括样本对象，所述目标识别结果包括目标对象，所述目标对象和所述样本对象均具有类别属性；所述根据所述样本识别结果和所述目标识别结果，对所述目标视频中的目标对象进行替换处理，得到所述目标视频的视频负样本，包括：

若所述样本对象的类别属性与所述目标对象的类型属性相同，则将所述目标对象替换为所述样本对象，得到所述目标视频的视频负样本。

3.根据权利要求1或2所述的方法，其中，所述对获取到的目标视频进行对象识别处理，得到所述目标视频的目标识别结果，包括：

对所述目标视频进行切帧处理，得到所述目标视频的各目标图像，并对每一目标图像进行对象识别处理，得到所述目标识别结果。

4.根据权利要求3所述的方法，其中，所述对每一目标图像进行对象识别处理，得到所述目标识别结果，包括：

对每一目标图像进行对象识别处理，得到各目标图像各自对应的目标对象；

根据各目标图像、以及各目标图像各自对应的目标对象，构建目标映射关系，其中，所述目标识别结果包括所述目标映射关系，所述目标映射关系用于表征目标图像与目标对象之间的对应关系。

5.根据权利要求1-4任一项所述的方法，其中，所述对获取到的样本视频进行对象识别处理，得到所述样本视频的样本识别结果，包括：

对所述样本视频进行切帧处理，得到所述样本视频的各样本图像，并对每一样本图像进行对象识别处理，得到所述样本识别结果。

6.根据权利要求5所述的方法，其中，所述对每一样本图像进行对象识别处理，得到所述样本识别结果，包括：

对每一样本图像进行对象识别处理，得到各样本图像各自对应的样本对象；

根据各样本图像、以及各样本图像各自对应的样本对象，构建样本映射关系，其中，所述样本识别结果包括所述样本映射关系，所述样本映射关系用于表征样本图像与样本对象之间的对应关系。

7.根据权利要求1-6任一项所述的方法，所述方法还包括：

获取目标描述文本和样本描述文本，其中，所述目标描述文本为用于描述所述目标视频的文本，所述样本描述文本为用于描述样本视频的文本；

根据所述样本描述文本对所述目标描述文本进行调整处理，得到所述目标视频的描述负样本，其中，所述目标视频的负样本还包括所述描述负样本。

8.根据权利要求7所述的方法，其中，根据所述样本描述文本对所述目标描述文本进行调整处理，得到所述目标视频的描述负样本，包括：

获取所述样本描述文本中的样本词语，获取所述目标描述文本中的目标词语，其中，所述样本词语和所述目标词语均具有词性信息；

根据所述样本词语和所述目标词语各自对应的词性信息，对所述目标描述文本进行调整处理，得到所述描述负样本。

9.根据权利要求8所述的方法，其中，根据所述样本词语和所述目标词语各自对应的词性信息，对所述目标描述文本进行调整处理，得到所述描述负样本，包括：

若所述样本词语的词性信息与所述目标词语的词性信息相同，则将所述样本词语***和/或替换所述目标描述文本，得到所述描述负样本。

10.根据权利要求9所述的方法，其中，所述样本词语和所述目标词语的数量均为多个；所述将所述样本词语***和/或替换所述目标描述文本，得到所述描述负样本，包括

从各目标词语中随机抽取部分目标词语，针对所述部分目标词语中的每一目标词语，根据该目标词语具有相同词性信息的样本词语，对该目标词语进行替换，得到所述描述负样本；和/或，

从各目标词语中随机抽取部分目标词语，针对所述部分目标词语中的每一目标词语，将该目标词语具有相同词性信息的样本词语***作为该目标词语相邻的词语，得到所述描述负样本。

11.根据权利要求8-10任一项所述的方法，其中，所述样本词语和所述目标词语各自对应的词性信息，是基于先构建的词性映射关系确定的；

所述词性映射关系用于表征词语与词性信息之间的对应关系。

12.根据权利要求7-11任一项所述的方法，在所述根据所述样本描述文本对所述目标描述文本进行调整处理，得到所述目标视频的描述负样本之后，所述方法还包括：

获取所述描述负样本对应的图像；

根据所述描述负样本对应的图像，生成所述目标视频的描述视频负样本，其中，所述目标视频的负样本还包括所述描述视频负样本。

13.一种视频处理方法，包括：

获取预训练样本视频，其中，所述预训练样本视频包括正样本和负样本，所述负样本为基于权利要求1-12任一项所述的方法生成的；

14.根据权利要求13所述的方法，其中，根据所述预训练样本视频进行训练，得到目标任务视频模型，包括：

根据所述预训练样本视频进行多模态预训练，得到预训练视频模型；

根据预设的目标任务对所述预训练视频模型进行调整处理，得到所述目标任务视频模型。

15.一种视频处理装置，包括：

16.根据权利要求15所述的装置，其中，所述样本识别结果包括样本对象，所述目标识别结果包括目标对象，所述目标对象和所述样本对象均具有类别属性；所述替换单元用于，若所述样本对象的类别属性与所述目标对象的类型属性相同，则将所述目标对象替换为所述样本对象，得到所述目标视频的视频负样本。

17.根据权利要求15或16所述的装置，其中，所述第一识别单元，包括：

第一切帧子单元，用于对所述目标视频进行切帧处理，得到所述目标视频的各目标图像；

第一识别子单元，用于对每一目标图像进行对象识别处理，得到所述目标识别结果。

18.根据权利要求17所述的装置，其中，所述第一识别子单元，包括：

第一构建模块，用于根据各目标图像、以及各目标图像各自对应的目标对象，构建目标映射关系，其中，所述目标识别结果包括所述目标映射关系，所述目标映射关系用于表征目标图像与目标对象之间的对应关系。

19.根据权利要求15-18任一项所述的装置，其中，所述第二识别单元，包括：

第二切换子单元，用于对所述样本视频进行切帧处理，得到所述样本视频的各样本图像；

第二识别子单元，用于对每一样本图像进行对象识别处理，得到所述样本识别结果。

20.根据权利要求19所述的装置，其中，所述第二识别子单元，包括：

第二识别模块，用于对每一样本图像进行对象识别处理，得到各样本图像各自对应的样本对象；

第二构建模块，用于根据各样本图像、以及各样本图像各自对应的样本对象，构建样本映射关系，其中，所述样本识别结果包括所述样本映射关系，所述样本映射关系用于表征样本图像与样本对象之间的对应关系。

21.根据权利要求15-20任一项所述的装置，所述装置还包括：

第一获取单元，用于获取目标描述文本和样本描述文本，其中，所述目标描述文本为用于描述所述目标视频的文本，所述样本描述文本为用于描述样本视频的文本；

调整单元，用于根据所述样本描述文本对所述目标描述文本进行调整处理，得到所述目标视频的描述负样本，其中，所述目标视频的负样本还包括所述描述负样本。

22.根据权利要求21所述的装置，其中，所述调整单元，包括：

获取子单元，用于获取所述样本描述文本中的样本词语，获取所述目标描述文本中的目标词语，其中，所述样本词语和所述目标词语均具有词性信息；

调整子单元，用于根据所述样本词语和所述目标词语各自对应的词性信息，对所述目标描述文本进行调整处理，得到所述描述负样本。

23.根据权利要求22所述的装置，其中，所述调整子单元用于，若所述样本词语的词性信息与所述目标词语的词性信息相同，则将所述样本词语***和/或替换所述目标描述文本，得到所述描述负样本。

24.根据权利要求23所述的装置，其中，所述样本词语和所述目标词语的数量均为多个；所述调整子单元用于，从各目标词语中随机抽取部分目标词语，针对所述部分目标词语中的每一目标词语，根据该目标词语具有相同词性信息的样本词语，对该目标词语进行替换，得到所述描述负样本；和/或，

所述调整子单元用于，从各目标词语中随机抽取部分目标词语，针对所述部分目标词语中的每一目标词语，将该目标词语具有相同词性信息的样本词语***作为该目标词语相邻的词语，得到所述描述负样本。

25.根据权利要求22-24任一项所述的装置，其中，所述样本词语和所述目标词语各自对应的词性信息，是基于先构建的词性映射关系确定的；

26.根据权利要求21-25任一项所述的装置，所述装置还包括：

第二获取单元，用于获取所述描述负样本对应的图像；

生成单元，用于根据所述描述负样本对应的图像，生成所述目标视频的描述视频负样本，其中，所述目标视频的负样本还包括所述描述视频负样本。

27.一种视频处理装置，包括：

第三获取单元，用于获取预训练样本视频，其中，所述预训练样本视频包括正样本和负样本，所述负样本为基于权利要求1-12任一项所述的方法生成的；

28.根据权利要求27所述的装置，其中，所述训练单元，包括：

预训练子单元，用于根据所述预训练样本视频进行多模态预训练，得到预训练视频模型；

处理子单元，用于根据预设的目标任务对所述预训练视频模型进行调整处理，得到所述目标任务视频模型。

29.一种电子设备，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1-12中任一项所述的方法；或者，以使所述至少一个处理器能够执行权利要求13-14中任一项所述的方法。

30.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法；或者，所述计算机指令用于使所述计算机执行根据权利要求13-14中任一项所述的方法。

31.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-12中任一项所述方法的步骤；或者，该计算机程序被处理器执行时实现权利要求13-14中任一项所述方法的步骤。