CN116310643A - 视频处理模型训练方法、装置以及设备 - Google Patents
视频处理模型训练方法、装置以及设备 Download PDFInfo
- Publication number
- CN116310643A CN116310643A CN202310271487.6A CN202310271487A CN116310643A CN 116310643 A CN116310643 A CN 116310643A CN 202310271487 A CN202310271487 A CN 202310271487A CN 116310643 A CN116310643 A CN 116310643A
- Authority
- CN
- China
- Prior art keywords
- video
- mask
- visual
- decoder
- encoder
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 118
- 238000012549 training Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000000007 visual effect Effects 0.000 claims abstract description 88
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000003672 processing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000873 masking effect Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种视频处理模型训练方法、装置以及设备，涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域。该方法的一具体实施方式包括：获取掩膜视频帧，其中，掩膜视频帧包括可见视频块和掩膜视频块；将掩膜视频帧输入至编码器，学习掩膜视频帧的特征；将掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测掩膜视频帧的视觉码本和隐藏运动信息；基于视觉码本和隐藏运动信息计算损失；基于损失对编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。该实施方式提供一种基于视觉语义与运动变换联合监督的视频处理模型的训练方法，不仅降低了训练成本，还显著提升了在视频下游任务中的性能。
Description
技术领域
本公开涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域。
背景技术
视觉预训练是目前深度学习中一个重要的研究方向与应用点。对于大规模视觉预训练方案，首先利用无监督学习在大规模的视觉数据集中进行预训练，然后在特定的下游任务上进行微调，能够在图像分类、目标检测、语义分割、动作识别等一系列下游任务中完成出色的效果。
发明内容
本公开实施例提出了一种视频处理模型训练方法、装置、设备、存储介质以及程序产品。
第一方面，本公开实施例提出了一种视频处理模型训练方法，包括：获取掩膜视频帧，其中，掩膜视频帧包括可见视频块和掩膜视频块；将掩膜视频帧输入至编码器，学习掩膜视频帧的特征；将掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测掩膜视频帧的视觉码本和隐藏运动信息；基于视觉码本和隐藏运动信息计算损失；基于损失对编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
第二方面，本公开实施例提出了一种视频处理方法，包括：获取目标任务的待处理视频，其中，目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；将待处理视频输入至视频处理模型，得到待处理视频的目标任务处理结果，其中，视频处理模型是第一方面所述的方法训练得到的。
第三方面，本公开实施例提出了一种视频处理模型训练装置，包括：第一获取模块，被配置成获取掩膜视频帧，其中，掩膜视频帧包括可见视频块和掩膜视频块；编码模块，被配置成将掩膜视频帧输入至编码器，学习掩膜视频帧的特征；解码模块，被配置成将掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测掩膜视频帧的视觉码本和隐藏运动信息；第一计算模块，被配置成基于视觉码本和隐藏运动信息计算损失；第一训练模块，被配置成基于损失对编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
第四方面，本公开实施例提出了一种视频处理装置，包括：获取模块，被配置成获取目标任务的待处理视频，其中，目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；处理模块，被配置成将待处理视频输入至视频处理模型，得到待处理视频的目标任务处理结果，其中，视频处理模型是采用第三方面所述的装置训练得到的。
第五方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与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，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或第二方面中任一实现方式描述的方法。
第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
第七方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
本公开实施例提供了一种基于视觉语义与运动变换联合监督的视频处理模型训练方法，同时使用两个解纠缠解码器，来预测掩膜视频帧中的语义码本和帧间运动变化，以解耦重建视觉和运动表征。并且，通过联合预测掩膜视频帧的语义码本以及帧间运动变化，还能够促进编码器获得较强的时空特征提取能力，学习到更加鲁棒且广义的时空视频表示，使得编码器更加高效的迁移至视频相关的下游任务中。不仅降低了训练成本，还显著提升了在视频下游任务中的性能。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。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是根据本公开的视频处理模型训练方法的一个实施例的流程图；
图2是根据本公开的视频处理模型训练方法的又一个实施例的流程图；
图3是可以实现本公开实施例的视频处理模型训练方法的场景图；
图4是根据本公开的视频处理方法的一个实施例的流程图；
图5是根据本公开的视频处理模型训练装置的一个实施例的结构示意图；
图6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7是用来实现本公开实施例的视频处理模型训练方法或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示出了根据本公开的视频处理模型训练方法的一个实施例的流程100。该视频处理模型训练方法包括以下步骤：
步骤101，获取掩膜视频帧。
在本实施例中，视频处理模型训练方法的执行主体可以获取掩膜视频帧。
通常，获取视频中的视频帧，采用掩膜视频预测的框架，对视频帧的部分视频块进行掩蔽，可以得到掩膜视频帧。其中，掩膜视频帧可以包括可见视频块和掩膜视频块。可见视频块是视频帧中未被掩蔽的视频块。掩蔽视频块可以是视频帧中被掩蔽的视频块。在一些实施例中，对视频帧中的预设比例(例如75％)的视频块进行随机掩膜，得到掩膜视频帧。
步骤102，将掩膜视频帧输入至编码器，学习掩膜视频帧的特征。
在本实施例中，上述执行主体可以将掩膜视频帧输入至编码器，学习掩膜视频帧的特征。
其中，编码器可以将输入压缩为潜在空间表示。这里，编码器不仅学习掩膜视频帧中的可见视频块的特征，还学习掩膜视频帧中的掩膜视频块的特征。并且，编码器学习的特征还可以包括视频数据中固有的时空关系。
步骤103，将掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测掩膜视频帧的视觉码本和隐藏运动信息。
在本实施例中，上述执行主体可以将掩膜视频帧的特征输入至视觉解码器，预测掩膜视频帧的视觉码本，以及将掩膜视频帧的特征输入至运动解码器，预测掩膜视频帧的隐藏运动信息。
这里，同时使用两个解纠缠解码器来预测视频帧的重构视觉外观和视频帧中的运动信息。其中，视觉解码器可以用于预测视频帧的视觉码本，运动解码器可以用于预测隐藏在视频数据中的各种运动信息，以此在预训练阶段提供补充的语义线索。并且，使用两个解纠缠解码器可以在目标级上对外观和运动视图进行解耦，可以有效处理冗余时空数据，加快预训练阶段的收敛速度。此外，通过两个解纠缠解码器还可以迫使编码器学习视频数据中固有的时空关系。
步骤104，基于视觉码本和隐藏运动信息计算损失。
在本实施例中，上述执行主体可以基于视觉码本和隐藏运动信息计算损失。
通常，对于掩膜视频帧对应的未被掩蔽的原始视频帧，可以获取真实的视觉码本和运动信息。基于真实的视觉码本与预测的视觉码本的差异，以及真实的运动信息与预测的运动信息的差异，可以计算损失。例如，将真实的视觉码本与预测的视觉码本输入至对应的损失函数，可以计算得到一个损失。将真实的运动信息与预测的运动信息输入至对应的损失函数，可以得到另一个损失。对以上两个损失进行加权求和，可以得到最终的总损失。
步骤105，基于损失对编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
在本实施例中，上述执行主体可以基于损失对编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
通常，基于损失调整以上编码器、视觉解码器和运动解码器的参数，直至收敛，即完成视频处理模型的训练。
在一些实施例中，为了提升视频处理模型对视频下游任务的处理效果，在视频处理模型训练完成之后，还可以获取目标任务的训练样本集继续对视频处理模型进行训练。具体地，将样本视频作为输入，将样本视频的目标任务处理结果作为输出，对视频处理模型继续进行训练。其中，训练样本集可以是目标任务的少量标注视频数据集，每个训练样本可以包括样本视频和样本视频的目标任务处理结果。利用这些标注视频数据集对视频处理模型中的编码器、视觉解码器和运动解码器的参数进行微调，使得视频处理模型能够在目标任务中完成出色的效果。其中，目标任务就是视频下游任务，可以包括但不限于图像分类、目标检测、语义分割、动作识别等。
本公开实施例提供了一种基于视觉语义与运动变换联合监督的视频处理模型训练方法，同时使用两个解纠缠解码器，来预测掩膜视频帧中的语义码本和帧间运动变化，以解耦重建视觉和运动表征。并且，通过联合预测掩膜视频帧的语义码本以及帧间运动变化，还能够促进编码器获得较强的时空特征提取能力，学习到更加鲁棒且广义的时空视频表示，使得编码器更加高效的迁移至视频相关的下游任务中。不仅降低了训练成本，还显著提升了在视频下游任务中的性能。
继续参考图2，其示出了根据本公开的视频处理模型训练方法的又一个实施例的流程200。该视频处理模型训练方法包括以下步骤：
步骤201，获取掩膜视频帧。
在本实施例中，步骤201的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍，在此不再赘述。
步骤202，将可见视频块输入至第一编码器，学习可见视频块的特征。
在本实施例中，视频处理模型训练方法的执行主体可以将可见视频块输入至第一编码器，学习可见视频块的特征。其中，第一编码器可以将输入压缩为潜在空间表示。这里，第一编码器学习掩膜视频帧中的可见视频块的特征。
步骤203，将掩膜视频块输入至第二编码器，学习掩膜视频块的特征。
在本实施例中，上述执行主体可以将掩膜视频块输入至第二编码器，学习掩膜视频块的特征。其中，第二编码器可以将输入压缩为潜在空间表示。这里，第二编码器学习掩膜视频帧中的掩膜视频块的特征。
步骤204，将可见视频块的特征输入至隐变量回归器，得到掩膜视频块的预测特征。
在本实施例中，上述执行主体可以将可见视频块的特征输入至隐变量回归器，得到掩膜视频块的预测特征。
为了消除外观视图和运动视图之间的差异，采用隐变量回归器进一步影射编码器输出的潜在表征。具体地，隐变量回归器可以从可见视频块的嵌入中进行查询并预测掩模视频块的表示。
其中，隐变量回归器可以由堆叠的交叉注意力模块构成。每个交叉注意力模块可以采用可见视频块的隐变量表示作为键(key)和值(value)，将可学习的查询掩膜(maskqueries)作为查询(query)，并通过交叉注意力来预测掩膜视频块的特征表示。
步骤205，基于掩膜视频块的预测特征和掩膜视频块的特征，计算对齐损失。
在本实施例中，上述执行主体可以基于掩膜视频块的预测特征和掩膜视频块的特征，计算对齐损失，进行约束。
在训练阶段，将第二编码器学习的掩膜视频块的真实特征与隐变量回归器预测的掩膜视频块的预测特征进行对齐，以此完成预训练阶段的借口任务(pretext task)。
其中，对齐损失
可以通过如下公式计算得到：
其中，M为T帧所有掩膜视频块的集合，|M|为掩膜视频块的令牌(token)数量，rp为回归器的输出，
为掩膜视频块经过编码器的输出，/>
可以作为标签与rp计算对齐损失/>
步骤206，将掩膜视频块的预测特征分别输入至视觉解码器和运动解码器，预测视觉码本和隐藏运动信息。
在本实施例中，上述执行主体可以将掩膜视频块的预测特征输入至视觉解码器，预测视觉码本，以及将掩膜视频块的预测特征输入至运动解码器，预测隐藏运动信息。
这里，同时使用两个解纠缠解码器来预测视频帧的重构视觉外观和视频帧中的运动信息。其中，视觉解码器可以用于预测视频帧的视觉码本，运动解码器可以用于预测隐藏在视频数据中的各种运动信息，以此在预训练阶段提供补充的语义线索。并且，使用两个解纠缠解码器可以在目标级上对外观和运动视图进行解耦，可以有效处理冗余时空数据，加快预训练阶段的收敛速度。此外，通过两个解纠缠解码器还可以迫使编码器学习视频数据中固有的时空关系。
步骤207，将视觉码本输入至预先训练的分词器，生成离散码本。
在本实施例中，上述执行主体可以将视觉码本输入至预先训练的分词器，生成离散码本。
对于视觉解码器，使用预先训练好的的离散自回归编码器的分词器(Off-the-shelf tokenizer)来生成离散码本作为训练目标。
步骤208，基于离散码本计算交叉熵损失。
在本实施例中，上述执行主体可以基于离散码本计算交叉熵损失，进行约束。
其中，交叉熵损失
可以通过如下公式计算得到：
其中，M为T帧所有掩膜视频块的集合，|M|为掩膜视频块的令牌(token)数量，K为离散自回归编码器的分词器生成的离散表示的类别数，ym(i,j)为第i个输入视频块对应第j类的标签值，pi,j第i个输入视频块对应第j类的预测值。
步骤209，基于隐藏运动信息，计算掩膜视频块对应的像素差值。
在本实施例中，上述执行主体可以基于隐藏运动信息，计算掩膜视频块对应的像素差值。
对于运动解码器，计算输入T帧在被遮蔽区域的像素差值，利用像素差值作为运动分支的监督信息。
步骤210，基于像素差值，计算均方误差损失。
在本实施例中，上述执行主体可以基于像素差值，计算均方误差损失，通过均方误差损失来进行优化。
其中，均方误差损失
可以通过如下公式计算得到：
其中，M′表示第二帧到第T帧所有掩膜视频块的集合，Dp为第p个掩膜视频块对应运动解码器的输出，
为第p个掩膜视频块对应的像素差值。
步骤211，计算对齐损失、交叉熵损失与均方误差损失之和，得到总损失。
在本实施例中，上述执行主体可以计算对齐损失、交叉熵损失与均方误差损失之和，得到总损失。
其中，总损失
可以通过如下公式计算得到：
其中，
为交叉熵损失，/>
为均方误差损失，/>
为对齐损失。
步骤212，基于总损失对第一编码器、第二编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
在本实施例中，上述执行主体可以基于总损失对第一编码器、第二编码器、视觉解码器和运动解码器的参数进行调整，直至完成训练目标，得到视频处理模型。其中，训练目标可以是由第一编码器、第二编码器、视觉解码器和运动解码器组成的视频处理模型的性能到达预设性能。
通常，基于总损失调整以上第一编码器、第二编码器、视觉解码器和运动解码器的参数，直至收敛，即完成视频处理模型的训练。
从图2中可以看出，与图1对应的实施例相比，本实施例中的视频处理模型的训练方法的流程200突出了训练步骤。由此，本实施例描述的方案将第二编码器学习的掩膜视频块的真实特征与隐变量回归器预测的掩膜视频块的预测特征进行对齐，能够完成预训练阶段的借口任务。基于掩膜视频块的类别标签值与分词器预测的类别预测值，计算交叉熵损失，作为视觉解码器的监督信息进行约束。基于运动解码器的输出与像素差值，计算均方误差损失，作为运动解码器的监督信息进行约束。结合以上三种损失函数进行训练，可以提升视频处理模型的效果。
为了便于理解，图3示出了可以实现本公开实施例的视频处理模型的训练方法的场景图。
对输入视频片段进行随机掩膜，得到可见视频块和掩膜视频块。将可见视频块输入至第一编码器，学习得到可见视频块的特征，同时将掩膜视频块输入至第二编码器，学习得到掩膜视频块的特征。
为了消除外观视图和运动视图之间的差异，将可见视频块的特征输入至回归器，将可学习的查询掩码作为查询，并通过交叉注意力来预测掩膜视频块的特征。基于第二编码器的输出与回归器的输出计算对齐损失
以此完成预训练阶段的借口任务。
将掩膜视频块的预测特征同时输入至视觉解码器和运动解码器，来预测视频的重构视觉外观和视频中的运动信息。其中，运动解码器可以预测隐藏在视频数据中的各种运动信息，视觉解码器可以预测视频的视觉码本，以此在预训练阶段提供补充的语义线索。
对于视觉解码器，使用预先训练好的的离散自回归编码器的分词器来生成离散码本作为训练目标，并利用交叉熵损失
进行约束。对于运动解码器，计算输入T帧在被遮蔽区域的像素差值。利用像素差值作为运动分支的监督信息并通过均方误差损失/>
来进行优化。
最后预训练阶段总损失函数为对齐损失、交叉熵损失和均方误差损失三者求和。基于总损失进行参数调整，完成视频处理模型的训练。
进一步参考图4，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400。该视频处理方法包括以下步骤：
步骤401，获取目标任务的待处理视频。
在本实施例中，视频处理方法的执行主体可以获取目标任务的待处理视频。其中，目标任务可以包括但不限于图像分类、目标检测、语义分割和动作识别等等。
步骤402，将待处理视频输入至视频处理模型，得到待处理视频的目标任务处理结果。
在本实施例中，上述执行主体可以将待处理视频输入至视频处理模型，得到待处理视频的目标任务处理结果。其中，视频处理模型可以是利用图1或图2所示的方法训练得到的，这里不再赘述。
通常，对于待处理视频中的视频帧，将待处理视频帧输入至编码器，学习待处理视频帧的特征；将待处理视频帧的特征输入至视觉解码器和运动解码器，预测待处理视频帧的视觉码本和运动信息；基于待处理视频帧的视觉码本和运动信息进行目标任务处理，得到目标任务处理结果。
在一些实施例中，为了提升视频处理模型对目标任务的处理效果，可以获取目标任务的少量标注视频数据集，利用这些标注视频数据集对视频处理模型的参数进行微调。将待处理视频输入至微调后的视频处理模型进行处理，使得视频处理模型能够在目标任务中完成出色的效果。
进一步参考图5，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模型训练装置的一个实施例，该装置实施例与图1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5所示，本实施例的视频处理模型训练装置500可以包括：第一获取模块501、编码模块502、解码模块503、第一计算模块504和第一训练模块505。其中，第一获取模块501，被配置成获取掩膜视频帧，其中，掩膜视频帧包括可见视频块和掩膜视频块；编码模块502，被配置成将掩膜视频帧输入至编码器，学习掩膜视频帧的特征；解码模块503，被配置成将掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测掩膜视频帧的视觉码本和隐藏运动信息；第一计算模块504，被配置成基于视觉码本和隐藏运动信息计算损失；第一训练模块505，被配置成基于损失对编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
在本实施例中，视频处理模型训练装置500中：第一获取模块501、编码模块502、解码模块503、第一计算模块504和第一训练模块505的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-105的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，编码模块502包括：第一编码子模块，被配置成将可见视频块输入至第一编码器，学习可见视频块的特征；回归子模块，被配置成将可见视频块的特征输入至隐变量回归器，得到掩膜视频块的预测特征。
在本实施例的一些可选的实现方式中，解码模块503进一步被配置成：将掩膜视频块的预测特征分别输入至视觉解码器和运动解码器，预测视觉码本和隐藏运动信息。
在本实施例的一些可选的实现方式中，第一计算模块504进一步被配置成：将视觉码本输入至预先训练的分词器，生成离散码本；基于离散码本计算交叉熵损失；基于隐藏运动信息，计算掩膜视频块对应的像素差值；基于像素差值，计算均方误差损失。
在本实施例的一些可选的实现方式中，编码模块502还包括：第二编码子模块，被配置成将掩膜视频块输入至第二编码器，学习掩膜视频块的特征。
在本实施例的一些可选的实现方式中，视频处理模型训练装置500还包括：第二计算模块，被配置成基于掩膜视频块的预测特征和掩膜视频块的特征，计算对齐损失。
在本实施例的一些可选的实现方式中，第一训练模块505进一步被配置成：计算对齐损失、交叉熵损失与均方误差损失之和，得到总损失；基于总损失对第一编码器、第二编码器、视觉解码器和运动解码器的参数进行调整，得到视频处理模型。
在本实施例的一些可选的实现方式中，隐变量回归器由堆叠的交叉注意力模块构成，交叉注意力模块采用可见视频块的隐变量表示作为键和值，将可学习的查询掩膜作为查询，并通过交叉注意力来预测掩膜视频块的特征。
在本实施例的一些可选的实现方式中，第一获取模块501进一步被配置成：获取视频帧；对视频帧中的预设比例的视频块进行随机掩膜，得到掩膜视频帧。
在本实施例的一些可选的实现方式中，视频处理模型训练装置500还包括：第二获取模块，被配置成获取目标任务的训练样本集，其中，训练样本集中的训练样本包括样本视频和样本视频的目标任务处理结果，其中，目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；第二训练模块，被配置成将样本视频作为输入，将样本视频的目标任务处理结果作为输出，对视频处理模型继续进行训练。
进一步参考图6，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4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6所示，本实施例的视频处理装置600可以包括：获取模块601和处理模块602。其中，获取模块601，被配置成获取目标任务的待处理视频，其中，目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；处理模块602，被配置成将待处理视频输入至视频处理模型，得到待处理视频的目标任务处理结果，其中，视频处理模型是采用图5所示的装置训练得到的。
在本实施例中，视频处理装置600中：获取模块601和处理模块602的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-402的相关说明，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。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如视频处理模型训练方法或视频处理方法。例如，在一些实施例中，视频处理模型训练方法或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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的视频处理模型训练方法或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701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模型训练方法或视频处理方法。
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。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，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提供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 (25)
1.一种视频处理模型训练方法，包括：
获取掩膜视频帧，其中，所述掩膜视频帧包括可见视频块和掩膜视频块；
将所述掩膜视频帧输入至编码器，学习所述掩膜视频帧的特征；
将所述掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测所述掩膜视频帧的视觉码本和隐藏运动信息；
基于所述视觉码本和所述隐藏运动信息计算损失；
基于所述损失对所述编码器、所述视觉解码器和所述运动解码器的参数进行调整，得到视频处理模型。
2.根据权利要求1所述的方法，其中，所述将所述掩膜视频帧输入至编码器，学习所述掩膜视频帧的特征，包括：
将所述可见视频块输入至第一编码器，学习所述可见视频块的特征；
将所述可见视频块的特征输入至隐变量回归器，得到所述掩膜视频块的预测特征。
3.根据权利要求2所述的方法，其中，所述将所述掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测所述掩膜视频帧的视觉码本和隐藏运动信息，包括：
将所述掩膜视频块的预测特征分别输入至所述视觉解码器和所述运动解码器，预测所述视觉码本和所述隐藏运动信息。
4.根据权利要求3所述的方法，其中，所述基于所述视觉码本和所述隐藏运动信息计算损失，包括：
将所述视觉码本输入至预先训练的分词器，生成离散码本；
基于离散码本计算交叉熵损失；
基于所述隐藏运动信息，计算所述掩膜视频块对应的像素差值；
基于所述像素差值，计算均方误差损失。
5.根据权利要求4所述的方法，其中，所述将所述掩膜视频帧输入至编码器，学习所述掩膜视频帧的特征，还包括：
将所述掩膜视频块输入至第二编码器，学习所述掩膜视频块的特征。
6.根据权利要求5所述的方法，其中，所述方法还包括：
基于所述掩膜视频块的预测特征和所述掩膜视频块的特征，计算对齐损失。
7.根据权利要求6所述的方法，其中，所述基于所述损失对所述编码器、所述视觉解码器和所述运动解码器的参数进行调整，得到视频处理模型，包括：
计算所述对齐损失、所述交叉熵损失与所述均方误差损失之和，得到总损失；
基于所述总损失对所述第一编码器、所述第二编码器、所述视觉解码器和所述运动解码器的参数进行调整，得到所述视频处理模型。
8.根据权利要求2所述的方法，其中，所述隐变量回归器由堆叠的交叉注意力模块构成，所述交叉注意力模块采用所述可见视频块的隐变量表示作为键和值，将可学习的查询掩膜作为查询，并通过交叉注意力来预测所述掩膜视频块的特征。
9.根据权利要求1-8中任一项所述的方法，其中，所述获取掩膜视频帧，包括：
获取视频帧；
对所述视频帧中的预设比例的视频块进行随机掩膜，得到所述掩膜视频帧。
10.根据权利要求1-8中任一项所述的方法，其中，所述方法还包括：
获取目标任务的训练样本集，其中，所述训练样本集中的训练样本包括样本视频和所述样本视频的目标任务处理结果，其中，所述目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；
将所述样本视频作为输入，将所述样本视频的目标任务处理结果作为输出，对所述视频处理模型继续进行训练。
11.一种视频处理方法，包括：
获取目标任务的待处理视频，其中，所述目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；
将所述待处理视频输入至视频处理模型，得到所述待处理视频的目标任务处理结果，其中，所述视频处理模型是采用权利要求1-10中任一项所述的方法训练得到的。
12.一种视频处理模型训练装置，包括：
第一获取模块，被配置成获取掩膜视频帧，其中，所述掩膜视频帧包括可见视频块和掩膜视频块；
编码模块，被配置成将所述掩膜视频帧输入至编码器，学习所述掩膜视频帧的特征；
解码模块，被配置成将所述掩膜视频帧的特征分别输入至视觉解码器和运动解码器，预测所述掩膜视频帧的视觉码本和隐藏运动信息；
第一计算模块，被配置成基于所述视觉码本和所述隐藏运动信息计算损失；
第一训练模块，被配置成基于所述损失对所述编码器、所述视觉解码器和所述运动解码器的参数进行调整，得到视频处理模型。
13.根据权利要求12所述的装置，其中，所述编码模块包括：
第一编码子模块，被配置成将所述可见视频块输入至第一编码器，学习所述可见视频块的特征；
回归子模块，被配置成将所述可见视频块的特征输入至隐变量回归器，得到所述掩膜视频块的预测特征。
14.根据权利要求13所述的装置，其中，所述解码模块进一步被配置成：
将所述掩膜视频块的预测特征分别输入至所述视觉解码器和所述运动解码器，预测所述视觉码本和所述隐藏运动信息。
15.根据权利要求14所述的装置，其中，所述第一计算模块进一步被配置成：
将所述视觉码本输入至预先训练的分词器，生成离散码本；
基于离散码本计算交叉熵损失；
基于所述隐藏运动信息，计算所述掩膜视频块对应的像素差值；
基于所述像素差值，计算均方误差损失。
16.根据权利要求15所述的装置，其中，所述编码模块还包括：
第二编码子模块，被配置成将所述掩膜视频块输入至第二编码器，学习所述掩膜视频块的特征。
17.根据权利要求16所述的装置，其中，所述装置还包括：
第二计算模块，被配置成基于所述掩膜视频块的预测特征和所述掩膜视频块的特征，计算对齐损失。
18.根据权利要求17所述的装置，其中，所述第一训练模块进一步被配置成：
计算所述对齐损失、所述交叉熵损失与所述均方误差损失之和，得到总损失；
基于所述总损失对所述第一编码器、所述第二编码器、所述视觉解码器和所述运动解码器的参数进行调整，得到所述视频处理模型。
19.根据权利要求13所述的装置，其中，所述隐变量回归器由堆叠的交叉注意力模块构成，所述交叉注意力模块采用所述可见视频块的隐变量表示作为键和值，将可学习的查询掩膜作为查询，并通过交叉注意力来预测所述掩膜视频块的特征。
20.根据权利要求12-19中任一项所述的装置，其中，所述获取模块进一步被配置成：
获取视频帧；
对所述视频帧中的预设比例的视频块进行随机掩膜，得到所述掩膜视频帧。
21.根据权利要求12-19中任一项所述的装置，其中，所述装置还包括：
第二获取模块，被配置成获取目标任务的训练样本集，其中，所述训练样本集中的训练样本包括样本视频和所述样本视频的目标任务处理结果，其中，所述目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；
第二训练模块，被配置成将所述样本视频作为输入，将所述样本视频的目标任务处理结果作为输出，对所述视频处理模型继续进行训练。
22.一种视频处理装置，包括：
获取模块，被配置成获取目标任务的待处理视频，其中，所述目标任务包括以下至少一项：图像分类、目标检测、语义分割和动作识别；
处理模块，被配置成将所述待处理视频输入至视频处理模型，得到所述待处理视频的目标任务处理结果，其中，所述视频处理模型是采用权利要求12-21中任一项所述的装置训练得到的。
23.一种电子设备，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1-10中任一项所述的方法或权利要求11所述的方法。
24.一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1-10中任一项所述的方法或权利要求11所述的方法。
25.一种计算机程序产品，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1-10中任一项所述的方法或权利要求11所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310271487.6A CN116310643A (zh) | 2023-03-17 | 2023-03-17 | 视频处理模型训练方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310271487.6A CN116310643A (zh) | 2023-03-17 | 2023-03-17 | 视频处理模型训练方法、装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310643A true CN116310643A (zh) | 2023-06-23 |
Family
ID=86823745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310271487.6A Pending CN116310643A (zh) | 2023-03-17 | 2023-03-17 | 视频处理模型训练方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310643A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135466A (zh) * | 2024-05-08 | 2024-06-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机、存储介质及程序产品 |
-
2023
- 2023-03-17 CN CN202310271487.6A patent/CN116310643A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135466A (zh) * | 2024-05-08 | 2024-06-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762322B (zh) | 基于多模态表示的视频分类方法、装置和设备及存储介质 | |
| CN112561060B (zh) | 神经网络训练方法及装置、图像识别方法及装置和设备 | |
| CN114020950B (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
| CN113590858A (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
| CN115376211B (zh) | 唇形驱动方法、唇形驱动模型的训练方法、装置及设备 | |
| CN113901909A (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
| CN113869205A (zh) | 对象检测方法、装置、电子设备和存储介质 | |
| CN116310643A (zh) | 视频处理模型训练方法、装置以及设备 | |
| CN115409855A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN116363459A (zh) | 目标检测方法、模型训练方法、装置、电子设备及介质 | |
| CN115097941B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
| CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
| CN116229095A (zh) | 一种模型训练方法、视觉任务处理方法、装置及设备 | |
| CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
| CN113177483B (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
| CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
| CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
| CN112559727A (zh) | 用于输出信息的方法、装置、设备、存储介质和程序 | |
| CN114218438B (zh) | 视频数据处理方法、装置、电子设备和计算机存储介质 | |
| CN113869202B (zh) | 图像识别方法、装置、设备、存储介质及程序产品 | |
| CN115660036B (zh) | 模型预训练及任务处理方法、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 |