CN106899809A - 一种基于深度学习的视频剪辑方法和装置 - Google Patents
一种基于深度学习的视频剪辑方法和装置 Download PDFInfo
- Publication number
- CN106899809A CN106899809A CN201710112722.XA CN201710112722A CN106899809A CN 106899809 A CN106899809 A CN 106899809A CN 201710112722 A CN201710112722 A CN 201710112722A CN 106899809 A CN106899809 A CN 106899809A
- Authority
- CN
- China
- Prior art keywords
- video
- deep learning
- editing
- video clipping
- clipping
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本发明实施例公开了一种基于深度学习的视频剪辑方法和装置,将人工智能方法引入视频剪辑领域,通过深度学习算法对视频进行语音和图像识别监视,然后通过特征训练建立视频剪辑模型,实现视频的自动化批量剪辑,解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题。
Description
技术领域
本发明涉及视频剪辑领域,尤其涉及一种基于深度学习的视频剪辑方法和装置。
背景技术
视频剪辑是对视频源进行非线性编辑的软件,属多媒体制作软件范畴。软件通过对加入的图片、背景音乐、特效、场景等素材与视频进行重混合,对视频源进行切割、合并,通过二次编码,生成具有不同表现力的新视频。
目前视频剪辑的方法是使用AE脚本进行视频的自动剪辑。然而,该视频剪辑方法需要人为手工的设置剪辑规则,核心判断视频剪辑方案是通过背景音乐实现的,局限性很大,无法自动化和批量化的视频剪辑,不适用于实际生产环境。
发明内容
本发明实施例提供了一种基于深度学习的视频剪辑方法和装置,将人工智能方法引入视频剪辑领域,通过深度学习算法对视频进行语音和图像识别监视,然后通过特征训练建立视频剪辑模型,实现视频的自动化批量剪辑,解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题。
本发明实施例提供了一种基于深度学习的视频剪辑方法,包括:
通过深度学习算法将预置第一视频中的语音转化成文本数据;
通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练;
根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。
优选地,
在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑之后还包括:
将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。
优选地,
在将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化之后,还包括:
通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。
优选地,
通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练具体包括:
将第一因子作为深度学习算法的输入因子,通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,所述第一因子包括视频的音量、慢动作回放、视频回放。
优选地,
在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并根据所述视频剪辑模型对批量采集到的第二视频进行剪辑之前还包括:
批量采集第二视频。
本发明实施例提供了一种基于深度学习的视频剪辑装置,包括:
语音转化单元,用于通过深度学习算法将预置第一视频中的语音转化成文本数据;
特征训练单元,用于通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练;
初级剪辑单元,用于根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。
优选地,
所述基于深度学习的视频剪辑装置还包括:
优化单元,用于将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。
优选地,
所述基于深度学习的视频剪辑装置还包括:
优化剪辑单元,用于通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。
优选地,
所述特征训练单元,具体用于将第一因子作为深度学习算法的输入因子,通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,所述第一因子包括视频的音量、慢动作回放、视频回放。
优选地,
所述基于深度学习的视频剪辑装置还包括:
采集单元,用于批量采集第二视频。
从以上技术方案可以看出,本发明实施例具有以下优点:
1、本发明实施例提供了一种基于深度学习的视频剪辑方法和装置,将人工智能方法引入视频剪辑领域,通过深度学习算法对视频进行语音和图像识别监视,然后通过特征训练建立视频剪辑模型,实现视频的自动化批量剪辑,解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题,有效减少人力投入,适用于实际生产环境。
2、本发明实施例将观看热度和评价作为深度学习算法的优化输入因子对视频剪辑模型进行优化,从而打通打通视频剪辑评估与视频剪辑策略的闭环,优化了视频剪辑效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于深度学习的视频剪辑方法的第一实施例的结构示意图;
图2为本发明实施例提供的一种基于深度学习的视频剪辑方法的第二实施例的结构示意图;
图3为本发明实施例提供的一种基于深度学习的视频剪辑装置的第一实施例的结构示意图;
图4为本发明实施例提供的一种基于深度学习的视频剪辑装置的第二实施例的结构示意图。
具体实施方式
本发明实施例提供了一种基于深度学习的视频剪辑方法和装置,将人工智能方法引入视频剪辑领域,通过深度学习算法对视频进行语音和图像识别监视,然后通过特征训练建立视频剪辑模型,实现视频的自动化批量剪辑,解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种基于深度学习的视频剪辑方法的第一实施例,包括:
101,通过深度学习算法将预置第一视频中的语音转化成文本数据;
在本发明实施例中,首先需要通过深度学习算法将预置第一视频中的语音转化成文本数据。
102,通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练;
在本发明实施例中,在通过深度学习算法将预置第一视频中的语音转化成文本数据之后,还需要通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,用于识别和预测视频剪辑起止时间。
103,根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑;
在本发明实施例中,在通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练之后,还需要根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑。
请参阅图2,本发明实施例提供了一种基于深度学习的视频剪辑方法的第二实施例,包括:
201,通过深度学习算法将预置第一视频中的语音转化成文本数据;
在本发明实施例中,首先需要通过深度学习算法将预置第一视频中的语音转化成文本数据。
202,将第一因子作为深度学习算法的输入因子,通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,第一因子包括视频的音量、慢动作回放、视频回放;
在本发明实施例中,在通过深度学习算法将预置第一视频中的语音转化成文本数据之后,还需要将第一因子作为深度学习算法的输入因子,通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,第一因子包括但不限于视频的音量、慢动作回放、视频回放,需要说明的是,第一因子是用来筛选需要剪辑的视频片段,例如一场球赛的视频中,音量增加、慢动作回放往往代表球赛的精彩镜头。
203,批量采集第二视频;
在本发明实施例中,还需要批量采集第二视频,需要说明的是,步骤203只需在步骤204之前进行,与其他步骤没有先后顺序。
204,根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑;
在本发明实施例中,在批量采集第二视频之后,还需要根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑。
205,将第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对视频剪辑模型进行优化;
在本发明实施例中,在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑之后,还需要将第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对视频剪辑模型进行优化。
206,通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑;
在本发明实施例中,在将第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对视频剪辑模型进行优化之后,还需要通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑,需要说明的是,第三视频也是需要采集的,并且第三视频和第二视频属于同类型的视频,例如第二视频和第三视频分别为一场足球赛视频和一场篮球赛视频,可以用相同的第一因子进行深度学习。
请参阅图3,本发明实施例提供了一种基于深度学习的视频剪辑装置的第一实施例,包括:
语音转化单元301,用于通过深度学习算法将预置第一视频中的语音转化成文本数据;
特征训练单元302,用于通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练;
初级剪辑单元303,用于根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑。
请参阅图4,本发明实施例提供了一种基于深度学习的视频剪辑装置的第二实施例,包括:
语音转化单元401,用于通过深度学习算法将预置第一视频中的语音转化成文本数据;
特征训练单元402,用于将第一因子作为深度学习算法的输入因子,通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,第一因子包括视频的音量、慢动作回放、视频回放;
采集单元403,用于批量采集第二视频。
初级剪辑单元404,用于根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过视频剪辑模型对批量采集到的第二视频进行剪辑。
优化单元405,用于将第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对视频剪辑模型进行优化。
优化剪辑单元406,用于通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的视频剪辑方法,其特征在于,包括:
通过深度学习算法将预置第一视频中的语音转化成文本数据;
通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练;
根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。
2.根据权利要求1所述的基于深度学习的视频剪辑方法,其特征在于,在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑之后还包括:
将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。
3.根据权利要求2所述的基于深度学习的视频剪辑方法,其特征在于,在将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化之后,还包括:
通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。
4.根据权利要求1所述的基于深度学习的视频剪辑方法,其特征在于,通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练具体包括:
将第一因子作为深度学习算法的输入因子,通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,所述第一因子包括视频的音量、慢动作回放、视频回放。
5.根据权利要求1所述的基于深度学习的视频剪辑方法,其特征在于,在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并根据所述视频剪辑模型对批量采集到的第二视频进行剪辑之前还包括:
批量采集第二视频。
6.一种基于深度学习的视频剪辑装置,其特征在于,包括:
语音转化单元,用于通过深度学习算法将预置第一视频中的语音转化成文本数据;
特征训练单元,用于通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练;
初级剪辑单元,用于根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型,并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。
7.根据权利要求6所述的基于深度学习的视频剪辑装置,其特征在于,还包括:
优化单元,用于将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。
8.根据权利要求7所述的基于深度学习的视频剪辑装置,其特征在于,还包括:
优化剪辑单元,用于通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。
9.根据权利要求6所述的基于深度学习的视频剪辑装置,其特征在于,所述特征训练单元,具体用于将第一因子作为深度学习算法的输入因子,通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练,所述第一因子包括视频的音量、慢动作回放、视频回放。
10.根据权利要求6所述的基于深度学习的视频剪辑装置,其特征在于,还包括:
采集单元,用于批量采集第二视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710112722.XA CN106899809A (zh) | 2017-02-28 | 2017-02-28 | 一种基于深度学习的视频剪辑方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710112722.XA CN106899809A (zh) | 2017-02-28 | 2017-02-28 | 一种基于深度学习的视频剪辑方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106899809A true CN106899809A (zh) | 2017-06-27 |
Family
ID=59185772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710112722.XA Pending CN106899809A (zh) | 2017-02-28 | 2017-02-28 | 一种基于深度学习的视频剪辑方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106899809A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108391064A (zh) * | 2018-02-11 | 2018-08-10 | 北京秀眼科技有限公司 | 一种视频剪辑方法及装置 |
CN109685144A (zh) * | 2018-12-26 | 2019-04-26 | 上海众源网络有限公司 | 一种对视频模型做评估的方法、装置及电子设备 |
CN109819179A (zh) * | 2019-03-21 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种视频剪辑方法和装置 |
CN110121107A (zh) * | 2018-02-06 | 2019-08-13 | 上海全土豆文化传播有限公司 | 视频素材收集方法及装置 |
CN110909254A (zh) * | 2019-10-31 | 2020-03-24 | 中山大学 | 基于深度学习模型针对问答社区进行问题热度预测的方法和系统 |
CN111510787A (zh) * | 2020-04-28 | 2020-08-07 | Oppo广东移动通信有限公司 | 多媒体剪辑方法、装置、终端及存储介质 |
CN116506694A (zh) * | 2023-06-26 | 2023-07-28 | 北京达佳互联信息技术有限公司 | 视频剪辑方法、装置、电子设备及存储介质 |
US11729478B2 (en) | 2017-12-13 | 2023-08-15 | Playable Pty Ltd | System and method for algorithmic editing of video content |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6072542A (en) * | 1997-11-25 | 2000-06-06 | Fuji Xerox Co., Ltd. | Automatic video segmentation using hidden markov model |
CN1635789A (zh) * | 2003-12-30 | 2005-07-06 | 中国科学院自动化研究所 | 基于事件检测的体育节目中虚拟广告自动插入方法 |
CN1728781A (zh) * | 2004-07-30 | 2006-02-01 | 新加坡科技研究局 | 将附加内容插入视频的方法和装置 |
US20090060352A1 (en) * | 2005-04-20 | 2009-03-05 | Arcangelo Distante | Method and system for the detection and the classification of events during motion actions |
CN102427507A (zh) * | 2011-09-30 | 2012-04-25 | 北京航空航天大学 | 一种基于事件模型的足球视频集锦自动合成方法 |
CN104756512A (zh) * | 2012-09-10 | 2015-07-01 | 谷歌公司 | 媒体概括 |
CN105912560A (zh) * | 2015-02-24 | 2016-08-31 | 泽普实验室公司 | 基于语音识别检测体育视频精彩部分 |
-
2017
- 2017-02-28 CN CN201710112722.XA patent/CN106899809A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6072542A (en) * | 1997-11-25 | 2000-06-06 | Fuji Xerox Co., Ltd. | Automatic video segmentation using hidden markov model |
CN1635789A (zh) * | 2003-12-30 | 2005-07-06 | 中国科学院自动化研究所 | 基于事件检测的体育节目中虚拟广告自动插入方法 |
CN1728781A (zh) * | 2004-07-30 | 2006-02-01 | 新加坡科技研究局 | 将附加内容插入视频的方法和装置 |
US20090060352A1 (en) * | 2005-04-20 | 2009-03-05 | Arcangelo Distante | Method and system for the detection and the classification of events during motion actions |
CN102427507A (zh) * | 2011-09-30 | 2012-04-25 | 北京航空航天大学 | 一种基于事件模型的足球视频集锦自动合成方法 |
CN104756512A (zh) * | 2012-09-10 | 2015-07-01 | 谷歌公司 | 媒体概括 |
CN105912560A (zh) * | 2015-02-24 | 2016-08-31 | 泽普实验室公司 | 基于语音识别检测体育视频精彩部分 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11729478B2 (en) | 2017-12-13 | 2023-08-15 | Playable Pty Ltd | System and method for algorithmic editing of video content |
CN110121107A (zh) * | 2018-02-06 | 2019-08-13 | 上海全土豆文化传播有限公司 | 视频素材收集方法及装置 |
CN108391064A (zh) * | 2018-02-11 | 2018-08-10 | 北京秀眼科技有限公司 | 一种视频剪辑方法及装置 |
CN109685144A (zh) * | 2018-12-26 | 2019-04-26 | 上海众源网络有限公司 | 一种对视频模型做评估的方法、装置及电子设备 |
CN109685144B (zh) * | 2018-12-26 | 2021-02-12 | 上海众源网络有限公司 | 一种对视频模型做评估的方法、装置及电子设备 |
WO2020187086A1 (zh) * | 2019-03-21 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 一种视频剪辑方法、装置、设备和存储介质 |
CN109819179B (zh) * | 2019-03-21 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 一种视频剪辑方法和装置 |
US11715497B2 (en) | 2019-03-21 | 2023-08-01 | Tencent Technology (Shenzhen) Company Limited | Video editing method, apparatus, and device, and storage medium |
CN109819179A (zh) * | 2019-03-21 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种视频剪辑方法和装置 |
CN110909254A (zh) * | 2019-10-31 | 2020-03-24 | 中山大学 | 基于深度学习模型针对问答社区进行问题热度预测的方法和系统 |
CN111510787A (zh) * | 2020-04-28 | 2020-08-07 | Oppo广东移动通信有限公司 | 多媒体剪辑方法、装置、终端及存储介质 |
CN116506694A (zh) * | 2023-06-26 | 2023-07-28 | 北京达佳互联信息技术有限公司 | 视频剪辑方法、装置、电子设备及存储介质 |
CN116506694B (zh) * | 2023-06-26 | 2023-10-27 | 北京达佳互联信息技术有限公司 | 视频剪辑方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106899809A (zh) | 一种基于深度学习的视频剪辑方法和装置 | |
CN102752540B (zh) | 一种基于人脸识别技术的自动编目方法 | |
CN106878767A (zh) | 视频播放方法和装置 | |
CN106657197A (zh) | 文件上传的方法和装置 | |
CN103718166A (zh) | 信息处理设备、信息处理方法和计算机程序产品 | |
CN106503723A (zh) | 一种视频分类方法及装置 | |
CN109472764B (zh) | 图像合成和图像合成模型训练的方法、装置、设备和介质 | |
CN102045191A (zh) | 一种系统升级后兼容性测试方法及设备 | |
CN110047512A (zh) | 一种环境声音分类方法、系统及相关装置 | |
CN103634556B (zh) | 一种信息传输、接收方法及电子设备 | |
CN110113634A (zh) | 一种信息互动方法、装置、设备及存储介质 | |
CN109389976A (zh) | 智能家电设备控制方法、装置、智能家电设备及存储介质 | |
CN109616102A (zh) | 声学模型的训练方法、装置及存储介质 | |
CN106469170A (zh) | 文本数据的处理方法和装置 | |
CN110198453A (zh) | 基于弹幕的直播内容过滤方法、存储介质、设备及系统 | |
CN107909038A (zh) | 一种社交关系分类模型训练方法、装置、电子设备及介质 | |
CN107948730A (zh) | 基于图片生成视频的方法、装置、设备及存储介质 | |
CN106210908A (zh) | 一种广告推送方法及装置 | |
CN107992937A (zh) | 基于深度学习的非结构化数据判决方法和装置 | |
CN108053023A (zh) | 一种自动式意图分类方法及装置 | |
CN110956277A (zh) | 一种交互式的迭代建模系统及方法 | |
CN107133631A (zh) | 一种识别电视台图标的方法及装置 | |
CN116402117A (zh) | 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法 | |
CN102473409A (zh) | 基准模型适应装置、集成电路、av设备、在线自适应方法以及其程序 | |
CN117457017B (zh) | 语音数据的清洗方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170627 |
|
RJ01 | Rejection of invention patent application after publication |