CN117036827A - 多模态分类模型训练、视频分类方法、装置、介质及设备 - Google Patents
多模态分类模型训练、视频分类方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117036827A CN117036827A CN202311182983.0A CN202311182983A CN117036827A CN 117036827 A CN117036827 A CN 117036827A CN 202311182983 A CN202311182983 A CN 202311182983A CN 117036827 A CN117036827 A CN 117036827A
- Authority
- CN
- China
- Prior art keywords
- classification
- features
- splicing
- modal
- module
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 110
- 238000012549 training Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 85
- 230000009467 reduction Effects 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种多模态分类模型训练、视频分类方法、装置、介质及设备。多模态分类模型包括:多个分类头、特征提取器和拼接模块,拼接模块与每一分类头分别连接;多模态分类模型训练方法包括:针对每一分类头,通过预训练后所得的特征提取器提取样本视频的深层特征和浅层特征;根据深层特征和浅层特征,通过拼接模块生成拼接特征;根据拼接特征和分类标签,对该分类头进行训练。这样,各分类任务可以共享特征提取器和拼接模块,可降低资源消耗和多个下游分类头的互相影响,提升模型迭代灵活性。让分类头同时学习到视频的深层特征和浅层特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,提升多模态分类模型的分类效果。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种多模态分类模型训练、视频分类方法、装置、介质及设备。
背景技术
随着计算机技术的发展,多模态模型能够增强跨模态的语义对齐能力,打通模态之间的关系,相比于文本、语音、视觉等单模态模型,能够提供语义信息更丰富的表征,因此,多模态模型越来越多地应用于内容理解的业务中,例如,视频分类,即多模态模型为视频分类模型。然而在现有的用于分类的多模态模型训练流程中,通常采用以下两种方式实现:(1)针对每个分类任务,分别训练对应的模型,但随着分类任务越来越多,模型的部署量可能膨胀到成百上千个,各个任务单独建模的成本过高,资源难以负担;(2)针对所有分类任务训练一个统一的分类大模型,相对于各任务独立建模,可以达到节约资源的目的,但模型迭代不够灵活,各任务间模型耦合严重。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种多模态分类模型训练方法,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接;所述方法包括:针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;根据所述拼接特征和所述分类标签,对该分类头进行训练。
第二方面,本公开提供一种视频分类方法,包括:获取待分类视频;通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过本公开第一方面提供的所述多模态分类模型训练方法训练得到的。
第三方面,本公开提供一种多模态分类模型训练装置,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接;所述装置包括:第一获取模块,用于针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;特征提取模块,用于通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;特征处理模块,用于根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;分类头训练模块,用于根据所述拼接特征和所述分类标签,对该分类头进行训练。
第四方面,本公开提供一种视频分类装置,包括:第二获取模块,用于获取待分类视频;分类模块,用于通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过本公开第一方面提供的所述多模态分类模型训练方法训练得到的。
第五方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面提供的所述多模态分类模型训练方法的步骤或本公开第二方面提供的所述视频分类方法的步骤。
第六方面,本公开提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面提供的所述多模态分类模型训练方法的步骤或本公开第二方面提供的所述视频分类方法的步骤。
在上述技术方案中,多模态分类模型包括多个分类头、串联的特征提取器和拼接模块,其中,拼接模块与各分类头分别连接,这样,各分类任务可以共享特征提取器和拼接模块,不但可以降低资源消耗,还可以降低多个下游分类头的互相影响,提升模型迭代灵活性。另外,在对多模态分类模型的特征提取器进行预训练后,冻结预训练后所得的特征提取器的模型参数,基于样本视频的深层特征和浅层特征对分类头进行训练,这样,可以让简单的分类头可以同时学习到视频的深层特征和浅层特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,从而提升多模态分类模型的分类效果。并且,在特征提取器预训练完成后,只需调整分类头的模型参数,而无需调整特征提取器的模型参数,调参数量大大减少,提升了模型训练效率。此外,通过一个多模态分类模型即可对待分类视频进行多维度分类,可以节约多模态分类模型运行的资源成本,促进多模态分类模型在实际业务中的应用。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是现阶段用于分类的多模态模型训练和部署的过程示意图。
图2是根据一示例性实施例示出的一种多模态分类模型的结构示意图。
图3是根据一示例性实施例示出的一种多模态分类模型训练方法的流程图。
图4是根据一示例性实施例示出的一种多模态分类模型训练和部署的过程示意图。
图5A是根据一示例性实施例示出的一种多模态分类模型训练过程的示意图。
图5B是根据另一示例性实施例示出的一种多模态分类模型训练过程的示意图。
图6是根据一示例性实施例示出的一种视频分类方法的流程图。
图7是根据一示例性实施例示出的一种多模态分类模型训练装置的框图。
图8是根据一示例性实施例示出的一种视频分类装置的框图。
图9是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
正如背景技术中论述的那样,现阶段用于分类的多模态模型存在无法兼顾资源的消耗和模型迭代的灵活性的问题。其中,针对上述背景技术中的第一种模型训练方式,如图1所示,通常是使用大量数据(亿级别)对骨干网络进行一阶段预训练,得到预训练模型;之后,在下游各个业务场景上根据不同的分类目标(即分类任务),使用不同的业务数据对相应分类头(Linear Head)和预训练模型进行模型微调;最后,将二阶段微调好的预训练模型和分类头部署上线。但各个任务单独建模的成本过高,需要占用大量资源,并且训练部署时间长。另外,如图1所示的部署阶段,每个分类任务都需要将预训练模型和分类头一起部署,部署模型的成本过高,需要耗费大量GPU,线上资源难以负担。此外,模型训练时仅使用预训练模型的深层表征,缺失大量浅层表征信息,导致模型分类效果不佳。
鉴于此,本公开提供一种多模态分类模型训练、视频分类方法、装置、介质及设备,以同时兼顾资源的消耗和模型迭代的灵活性。
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
在介绍本公开的多模态分类模型训练方法之前,先针对本公开中的多模态分类模型的结构进行阐述。如图2所示,多模态分类模型可以包括:与多个分类任务(即下游业务)一一对应多个分类头(图2中以N个分类头进行示例,N大于1)、特征提取器以及拼接模块。其中,拼接模块与每一分类头分别连接,特征提取器与拼接模块串联,分类头可以包括一个全连接层或多个全连接层。
其中,特征提取器用于提取视频的深层特征和浅层特征;拼接模块用于根据深层特征和浅层特征,生成拼接特征;每一分类头分别用于根据拼接特征,生成与该分类头对应的分类任务下的分类结果。
示例地,多个分类任务可以包括:根据视频内容分类,例如,新闻、体育、音乐、电影、游戏、动漫、教育、纪录片等;根据视频形式分类,例如,广告、MV、直播、剧集、短片、纪录片、广播剧等;根据视频主题分类,例如,美食、旅游、时尚、科技、艺术、文化、健康等;根据视频中是否存在预设物体(例如,大海、房子等)进行分类。
图3是根据一示例性实施例示出的一种多模态分类模型训练方法的流程图。如图3所示,该多模态分类模型训练方法可以包括S101~S104。
在S101中,针对多模态分类模型的每一分类头,获取样本视频和样本视频在该分类头对应的分类任务下的分类标签。
在本公开中,样本视频可以为通用视频数据,也可以为该分类头对应的分类任务所属的业务场景下的视频数据,如图4所示,采用业务数据对相应分类任务对应的分类头进行训练。
优选地,样本视频为该分类头对应的分类任务所属的业务场景下的视频数据,这样,可以提升该分类头训练的效率和分类头的分类效果。
在S102中,通过预训练后所得的特征提取器提取样本视频的深层特征和浅层特征。
在本公开中,在对多模态分类模型的各分类头进行训练之前,需要先对多模态分类模型的特征提取进行预训练。具体来说,如图4所示,可以先利用大量数据对多模态分类模型的特征提取器进行预训练;然后,基于训练后所得的特征提取器(后文称为预训练模型),对各分类头分别进行训练,其中,在分类头训练过程中,冻结预训练模型的模型参数,只调整分类头的模型参数。
在S103中,根据深层特征和浅层特征,通过多模态分类模型的拼接模块生成拼接特征。
在S104中,根据拼接特征和分类标签,对该分类头进行训练。
具体来说,可以将拼接特征输入到该分类头中,得到样本视频在该分类头对应的分类任务下的预测分类结果;之后,根据样本视频在该分类头对应的分类任务下的预测分类结果和该分类头对应的分类任务下的分类标签的比对结果,调整分类头的模型参数。
在多模态分类模型训练完成后,可以进行模型部署,如图4所示,将预训练模型和各分类头分开部署,同时将拼接模块与各分类头分开部署,这样,各分类任务可以共享预训练模型和拼接模块,不但可以降低资源消耗,还可以降低多个下游分类头的互相影响,提升模型迭代灵活性。
在上述技术方案中,多模态分类模型包括多个分类头、串联的特征提取器和拼接模块,其中,拼接模块与各分类头分别连接,这样,各分类任务可以共享特征提取器和拼接模块,不但可以降低资源消耗,还可以降低多个下游分类头的互相影响,提升模型迭代灵活性。另外,在对多模态分类模型的特征提取器进行预训练后,冻结预训练后所得的特征提取器的模型参数,基于样本视频的深层特征和浅层特征对分类头进行训练,这样,可以让简单的分类头可以同时学习到视频的深层特征和浅层特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,从而提升多模态分类模型的分类效果。并且,在特征提取器预训练完成后,只需调整分类头的模型参数,而无需调整特征提取器的模型参数,调参数量大大减少,提升了模型训练效率。此外,通过一个多模态分类模型即可对待分类视频进行多维度分类,可以节约多模态分类模型运行的资源成本,促进多模态分类模型在实际业务中的应用。
如图2、图5A以及图5B所示,多模态分类模型的特征提取器可以包括串联的骨干网络和融合模块,其中,融合模块包括多个串联的模态融合层(其中,图2、图5A以及图5B中以融合模块包括2个串联的模态融合层为例进行说明),拼接模块与每一模态融合层分别连接,骨干网络与每一模态融合层分别连接(图中未示出)。
在本公开中,骨干网络用于提取样本视频的文本特征和视觉特征,并将文本特征和视觉特征输入到每一模态融合层。
如图2、图5A以及图5B所示,骨干网络可以包括视觉编码器和文本编码器。其中,在获取到样本视频后,可以对该样本视频进行切片(即分段),之后,可以针对每一视频片段,对该视频剪短进行抽帧处理;接下来,将抽取到的视频帧输入到视觉编码器中,得到相应的视觉特征;同时,提取抽取到的视频帧中的文本信息(包括样本视频的标题、抽象到的视频帧的字幕、抽取到的视频帧的光学字符识别结果等),并将该文本信息输入到文本编码器中,得到该视频片段的文本特征。
在本公开中,骨干网络可以为基于移动窗口(Shifted Windows,Swin)的使用对比性的语言-图像预训练(Contrastive Language-Image Pre-training,CLIP)模型、视觉-语言BERT(Visual-Linguistic BERT,VL-BERT)模型等多模态模型。其中,当骨干网络为基于Swin的CLIP模型时,文本编码器为基于变压器的双向编码器表示(Bidirectional EncoderRepresentation from Transformers,BERT)模型,视觉编码器为Swin Transformer模型(一种新型Transformer框架)。
当骨干网络为基于Swin的CLIP模型时,由于模型中不存在批归一化层,使得多模态分类模型具有较好的泛化效果,并且,该骨干网络中的所有模块均只需要前向传播一次特征,大大降低了多模态分类模型的资源消耗。
融合模块中的每一模态融合层用于对输入到该模态融合层中的特征进行融合,得到深层特征或浅层特征,并将深层特征或浅层特征输入到下一模态融合层和拼接模块。在相邻的两个模态融合层之间,前一模态融合层的输出作为后一模态融合层的输入,同时,骨干网络将提取到的文本特征和视觉特征输入到每一模态融合层。
示例地,如图2、图5A以及5B所示,融合模块包括模态融合层E和模态融合层F,其中,模态融合层F用于将输入到该层中的文本特征和视觉特征进行融合,得到浅层特征,并将该浅层特征输入到模态融合层E和拼接模块;模态融合层E将模态融合层F输入的浅层特征、骨干网络输入的文本特征和视觉特征进行融合,得到深层特征,并将深层特征输入到拼接模块。
示例地,各模态融合层可以采用Transformer框架。
在上述实施方式中,使用多模态分类模型中各模态融合层产生的特征拼接后进行分类头的训练,这样,可以让简单的分类头可以同时学习到视频的深层特征和浅层特征,即可以同时学习到视频的不同层次的特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,从而提升多模态分类模型的分类效果。
下面针对上述S103中的根据深层特征和浅层特征,通过拼接模块生成拼接特征的具体实施方式进行详细说明。具体来说,可以通过多种方式来实现,在一种实施方式中,如图5A所示,可以通过拼接模块将每一模态融合层输入的深层特征中的分类标记cls-token或浅层特征中的cls-token进行拼接,得到拼接特征。
在本公开中,可以将输入到拼接模块中的各分类标记cls-token进行横向拼接,本公开对各cls-token的拼接顺序不做具体限定。其中,分类标记cls-token是指深层特征或浅层特征中、带有[cls]标记的表征,它是一个特殊的token,代表深层特征或浅层特征的向量表示,深层特征或浅层特征可以包括cls-token和嵌入表征(即Embedding)。
在另一种实施方式中,如图5B所示,上述拼接模块可以包括拼接单元、与多个模态融合层一一对应的多个降维单元,其中,降维单元与其对应的模态融合层连接,拼接单元与每一降维单元分别连接,模态融合层用于将深层特征中的分类标记cls-token或浅层特征中的cls-token输入到与其对应的降维单元。此时,可以根据深层特征和浅层特征,通过拼接模块通过以下方式生成拼接特征:
每一降维单元分别对与其对应的模态融合层输入的深层特征中的cls-token或浅层特征中的cls-token进行降维处理;
拼接单元将每一降维处理后所得的cls-token进行拼接,得到拼接特征。
示例地,降维单元将768维的cls-token映射为128维的cls-token。
示例地,图5B所示,融合模块包括模态融合层E和模态融合层F,拼接模块包括拼接单元、与模态融合层E对应的降维单元G、与模态融合层F对应的降维单元H,其中,降维单元G与其对应的模态融合层E连接,降维单元H与其对应的模态融合层F连接,拼接单元与降维单元G、降维单元H分别连接。
模态融合层F用于将输入到该层中的文本特征和视觉特征进行融合,得到浅层特征,并将该浅层特征输入到模态融合层E,将该浅层特征中的cls-token输入到降维单元H;模态融合层E将模态融合层F输入的浅层特征、骨干网络输入的文本特征和视觉特征进行融合,得到深层特征,并将该深层特征中的cls-token输入到降维单元G。
降维单元H用于对模态融合层F输入到该单元的浅层特征中的cls-token进行降维处理;降维单元G用于对模态融合层E输入到该单元的深层特征中的cls-token进行降维处理。拼接单元将降维单元H降维处理后所得的cls-token和降维单元G降维处理后所得的cls-token进行拼接,得到拼接特征。
示例地,上述降维单元可以为一层神经网络。
在上述实施方式中,对深层特征中的cls-token和浅层特征中的cls-token分别降维后拼接,可以减少带宽。
另外,在拼接模块包括降维单元的情况下,在对分类头进行模型参数调整的同时,还需要同步调整各降维单元的模型参数,以使得降维单元输出的cls-token满足预设维度要求,其中,在对分类头和降维单元进行模型参数更新时,特征提取器的模型参数处于冻结状态,图5B中的“*”表征冻结特征提取器的模型参数。具体来说,上述方法还可以包括以下步骤:
针对每一降维单元,根据输入到该降维单元中的cls-token的维度,调整该降维单元的模型参数。
图6是根据一示例性实施例示出的视频分类方法的流程图。如图6所示,该视频分类方法可以包括S201和S202。
在S201中,获取待分类视频。
在S202中,通过预先训练好的多模态分类模型生成待分类视频在不同分类任务下的分类结果。
在本公开中,多模态分类模型是通过本公开提供的上述多模态分类模型训练方法训练得到的。
在上述技术方案中,多模态分类模型包括多个分类头、串联的特征提取器和拼接模块,其中,拼接模块与各分类头分别连接,这样,各分类任务可以共享特征提取器和拼接模块,不但可以降低资源消耗,还可以降低多个下游分类头的互相影响,提升模型迭代灵活性。另外,在对多模态分类模型的特征提取器进行预训练后,冻结预训练后所得的特征提取器的模型参数,基于样本视频的深层特征和浅层特征对分类头进行训练,这样,可以让简单的分类头可以同时学习到视频的深层特征和浅层特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,从而提升多模态分类模型的分类效果。并且,在特征提取器预训练完成后,只需调整分类头的模型参数,而无需调整特征提取器的模型参数,调参数量大大减少,提升了模型训练效率。此外,通过一个多模态分类模型即可对待分类视频进行多维度分类,可以节约多模态分类模型运行的资源成本,促进多模态分类模型在实际业务中的应用。
图7是根据一示例性实施例示出的一种多模态分类模型训练装置的框图。
其中,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接。如图7所示,所述多模态分类模型训练装置300包括:
第一获取模块301,用于针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;特征提取模块302,用于通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;特征处理模块303,用于根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;分类头训练模块304,用于根据所述拼接特征和所述分类标签,对该分类头进行训练。
在上述技术方案中,多模态分类模型包括多个分类头、串联的特征提取器和拼接模块,其中,拼接模块与各分类头分别连接,这样,各分类任务可以共享特征提取器和拼接模块,不但可以降低资源消耗,还可以降低多个下游分类头的互相影响,提升模型迭代灵活性。另外,在对多模态分类模型的特征提取器进行预训练后,冻结预训练后所得的特征提取器的模型参数,基于样本视频的深层特征和浅层特征对分类头进行训练,这样,可以让简单的分类头可以同时学习到视频的深层特征和浅层特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,从而提升多模态分类模型的分类效果。并且,在特征提取器预训练完成后,只需调整分类头的模型参数,而无需调整特征提取器的模型参数,调参数量大大减少,提升了模型训练效率。此外,通过一个多模态分类模型即可对待分类视频进行多维度分类,可以节约多模态分类模型运行的资源成本,促进多模态分类模型在实际业务中的应用。
可选地,所述特征提取器包括串联的骨干网络和融合模块,其中,所述融合模块包括多个串联的模态融合层,所述拼接模块与每一所述模态融合层分别连接,所述骨干网络与每一所述模态融合层分别连接;
所述骨干网络用于提取所述样本视频的文本特征和视觉特征,并将所述文本特征和所述视觉特征输入到每一所述模态融合层;
每一所述模态融合层用于对输入到所述模态融合层中的特征进行融合,得到深层特征或浅层特征,并将所述深层特征或所述浅层特征输入到下一模态融合层和所述拼接模块。
可选地,所述特征处理模块303用于通过所述拼接模块将每一所述模态融合层输入的所述深层特征中的分类标记cls-token或浅层特征中的cls-token进行拼接,得到拼接特征。
可选地,所述拼接模块包括拼接单元、与多个所述模态融合层一一对应的多个降维单元,其中,所述降维单元与其对应的所述模态融合层连接,所述拼接单元与每一所述降维单元分别连接,所述模态融合层用于将所述深层特征中的分类标记cls-token或所述浅层特征中的cls-token输入到与其对应的降维单元;
所述特征处理模块303包括:
第一处理子模块,用于通过每一所述降维单元分别对与其对应的所述模态融合层输入的所述深层特征中的cls-token或浅层特征中的cls-token进行降维处理;
第二处理子模块,用于通过所述拼接单元将每一降维处理后所得的cls-token进行拼接,得到拼接特征。
可选地,所述多模态分类模型训练装置300还包括:
参数调整模块,用于针对每一所述降维单元,根据输入到该降维单元中的所述cls-token的维度,调整该降维单元的模型参数。
可选地,所述样本视频为该分类头对应的分类任务所属的业务场景下的视频数据。
图8是根据一示例性实施例示出的一种视频分类装置的框图。如图8所示,该视频分类装置400包括:
第二获取模块401,用于获取待分类视频;
分类模块402,用于通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过本公开提供的上述多模态分类模型训练方法训练得到的。
在上述技术方案中,多模态分类模型包括多个分类头、串联的特征提取器和拼接模块,其中,拼接模块与各分类头分别连接,这样,各分类任务可以共享特征提取器和拼接模块,不但可以降低资源消耗,还可以降低多个下游分类头的互相影响,提升模型迭代灵活性。另外,在对多模态分类模型的特征提取器进行预训练后,冻结预训练后所得的特征提取器的模型参数,基于样本视频的深层特征和浅层特征对分类头进行训练,这样,可以让简单的分类头可以同时学习到视频的深层特征和浅层特征,在不增加新的特征提取单元的情况下,为分类头提供多视角特征,从而提升多模态分类模型的分类效果。并且,在特征提取器预训练完成后,只需调整分类头的模型参数,而无需调整特征提取器的模型参数,调参数量大大减少,提升了模型训练效率。此外,通过一个多模态分类模型即可对待分类视频进行多维度分类,可以节约多模态分类模型运行的资源成本,促进多模态分类模型在实际业务中的应用。
本公开还提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开提供的上述多模态分类模型训练方法的步骤或上述视频分类方法的步骤。
下面参考图9,其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:针对多模态分类模型中的每一分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签,其中,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,所述拼接模块与每一所述分类头分别连接;通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;根据所述拼接特征和所述分类标签,对该分类头进行训练。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待分类视频;通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过本公开提供的上述多模态分类模型训练方法训练得到的。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第二获取模块还可以被描述为“获取待分类视频的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种多模态分类模型训练方法,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接;所述方法包括:针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;根据所述拼接特征和所述分类标签,对该分类头进行训练。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述特征提取器包括串联的骨干网络和融合模块,其中,所述融合模块包括多个串联的模态融合层,所述拼接模块与每一所述模态融合层分别连接,所述骨干网络与每一所述模态融合层分别连接;所述骨干网络用于提取所述样本视频的文本特征和视觉特征,并将所述文本特征和所述视觉特征输入到每一所述模态融合层;每一所述模态融合层用于对输入到所述模态融合层中的特征进行融合,得到深层特征或浅层特征,并将所述深层特征或所述浅层特征输入到下一模态融合层和所述拼接模块。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征,包括:通过所述拼接模块将每一所述模态融合层输入的所述深层特征中的分类标记cls-token或浅层特征中的cls-token进行拼接,得到拼接特征。
根据本公开的一个或多个实施例,示例4提供了示例2的方法,所述拼接模块包括拼接单元、与多个所述模态融合层一一对应的多个降维单元,其中,所述降维单元与其对应的所述模态融合层连接,所述拼接单元与每一所述降维单元分别连接,所述模态融合层用于将所述深层特征中的分类标记cls-token或所述浅层特征中的cls-token输入到与其对应的降维单元;所述根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征,包括:每一所述降维单元分别对与其对应的所述模态融合层输入的所述深层特征中的cls-token或浅层特征中的cls-token进行降维处理;所述拼接单元将每一降维处理后所得的cls-token进行拼接,得到拼接特征。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述方法还包括:针对每一所述降维单元,根据输入到该降维单元中的所述cls-token的维度,调整该降维单元的模型参数。
根据本公开的一个或多个实施例,示例6提供了示例1-5中任一项所述的方法,所述样本视频为该分类头对应的分类任务所属的业务场景下的视频数据。
根据本公开的一个或多个实施例,示例7提供了一种视频分类方法,包括:获取待分类视频;通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过示例1-6中任一项所述的多模态分类模型训练方法训练得到的。
根据本公开的一个或多个实施例,示例8提供了一种多模态分类模型训练装置,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接;所述装置包括:第一获取模块,用于针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;特征提取模块,用于通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;特征处理模块,用于根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;分类头训练模块,用于根据所述拼接特征和所述分类标签,对该分类头进行训练。
根据本公开的一个或多个实施例,示例9提供了一种视频分类装置,包括:第二获取模块,用于获取待分类视频;分类模块,用于通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过示例1-6中任一项所述的多模态分类模型训练方法训练得到的。
根据本公开的一个或多个实施例,示例10提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例11提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-7中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (11)
1.一种多模态分类模型训练方法,其特征在于,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接;
所述方法包括:
针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;
通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;
根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;
根据所述拼接特征和所述分类标签,对该分类头进行训练。
2.根据权利要求1所述的方法,其特征在于,所述特征提取器包括串联的骨干网络和融合模块,其中,所述融合模块包括多个串联的模态融合层,所述拼接模块与每一所述模态融合层分别连接,所述骨干网络与每一所述模态融合层分别连接;
所述骨干网络用于提取所述样本视频的文本特征和视觉特征,并将所述文本特征和所述视觉特征输入到每一所述模态融合层;
每一所述模态融合层用于对输入到所述模态融合层中的特征进行融合,得到深层特征或浅层特征,并将所述深层特征或所述浅层特征输入到下一模态融合层和所述拼接模块。
3.根据权利要求2所述的方法,其特征在于,所述根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征,包括:
通过所述拼接模块将每一所述模态融合层输入的所述深层特征中的分类标记cls-token或浅层特征中的cls-token进行拼接,得到拼接特征。
4.根据权利要求2所述的方法,其特征在于,所述拼接模块包括拼接单元、与多个所述模态融合层一一对应的多个降维单元,其中,所述降维单元与其对应的所述模态融合层连接,所述拼接单元与每一所述降维单元分别连接,所述模态融合层用于将所述深层特征中的分类标记cls-token或所述浅层特征中的cls-token输入到与其对应的降维单元;
所述根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征,包括:
每一所述降维单元分别对与其对应的所述模态融合层输入的所述深层特征中的cls-token或浅层特征中的cls-token进行降维处理;
所述拼接单元将每一降维处理后所得的cls-token进行拼接,得到拼接特征。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
针对每一所述降维单元,根据输入到该降维单元中的所述cls-token的维度,调整该降维单元的模型参数。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述样本视频为该分类头对应的分类任务所属的业务场景下的视频数据。
7.一种视频分类方法,其特征在于,包括:
获取待分类视频;
通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过权利要求1-6中任一项所述的多模态分类模型训练方法训练得到的。
8.一种多模态分类模型训练装置,其特征在于,所述多模态分类模型包括:与多个分类任务一一对应多个分类头,串联的特征提取器和拼接模块,其中,所述拼接模块与每一所述分类头分别连接;
所述装置包括:
第一获取模块,用于针对每一所述分类头,获取样本视频和所述样本视频在该分类头对应的分类任务下的分类标签;
特征提取模块,用于通过预训练后所得的特征提取器提取所述样本视频的深层特征和浅层特征;
特征处理模块,用于根据所述深层特征和所述浅层特征,通过所述拼接模块生成拼接特征;
分类头训练模块,用于根据所述拼接特征和所述分类标签,对该分类头进行训练。
9.一种视频分类装置,其特征在于,包括:
第二获取模块,用于获取待分类视频;
分类模块,用于通过预先训练好的多模态分类模型生成所述待分类视频在不同分类任务下的分类结果,其中,所述多模态分类模型是通过权利要求1-6中任一项所述的多模态分类模型训练方法训练得到的。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182983.0A CN117036827A (zh) | 2023-09-13 | 2023-09-13 | 多模态分类模型训练、视频分类方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182983.0A CN117036827A (zh) | 2023-09-13 | 2023-09-13 | 多模态分类模型训练、视频分类方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036827A true CN117036827A (zh) | 2023-11-10 |
Family
ID=88633921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182983.0A Pending CN117036827A (zh) | 2023-09-13 | 2023-09-13 | 多模态分类模型训练、视频分类方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036827A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639986A (zh) * | 2023-11-29 | 2024-03-01 | 东营市无线电监测站 | 一种应用于市域监测的基于深度学习的调频广播信号频谱监测方法及*** |
-
2023
- 2023-09-13 CN CN202311182983.0A patent/CN117036827A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639986A (zh) * | 2023-11-29 | 2024-03-01 | 东营市无线电监测站 | 一种应用于市域监测的基于深度学习的调频广播信号频谱监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN117036827A (zh) | 多模态分类模型训练、视频分类方法、装置、介质及设备 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN116129452A (zh) | 文档理解模型的生成方法、应用方法、装置、设备及介质 | |
CN112949430A (zh) | 视频处理方法和装置、存储介质和电子设备 | |
CN116894188A (zh) | 业务标签集更新方法、装置、介质及电子设备 | |
CN117633228A (zh) | 模型训练方法和装置 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN114067327A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN116186545A (zh) | 预训练模型的训练、应用方法、装置、电子设备及介质 | |
CN116092092A (zh) | 匹配方法、装置、介质及电子设备 | |
CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN113435528B (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
CN114786069A (zh) | 视频生成方法、装置、介质及电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN112488204A (zh) | 训练样本生成方法、图像分割方法、装置、设备和介质 | |
CN114613355B (zh) | 视频处理方法、装置、可读介质及电子设备 |
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 |