CN109685144A - 一种对视频模型做评估的方法、装置及电子设备 - Google Patents

一种对视频模型做评估的方法、装置及电子设备 Download PDF

Info

Publication number
CN109685144A
CN109685144A CN201811605061.5A CN201811605061A CN109685144A CN 109685144 A CN109685144 A CN 109685144A CN 201811605061 A CN201811605061 A CN 201811605061A CN 109685144 A CN109685144 A CN 109685144A
Authority
CN
China
Prior art keywords
sample video
wonderful
prediction
video
sample
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
Application number
CN201811605061.5A
Other languages
English (en)
Other versions
CN109685144B (zh
Inventor
马龙飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhongyuan Network Co Ltd
Original Assignee
Shanghai Zhongyuan Network Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zhongyuan Network Co Ltd filed Critical Shanghai Zhongyuan Network Co Ltd
Priority to CN201811605061.5A priority Critical patent/CN109685144B/zh
Publication of CN109685144A publication Critical patent/CN109685144A/zh
Application granted granted Critical
Publication of CN109685144B publication Critical patent/CN109685144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供了一种对视频模型做评估的方法、装置及电子设备。方法为：获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各样本视频的评估集；针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；针对每个样本视频，按照该样本视频的时间戳，得到该样本视频的精彩片段交并比；针对每个样本视频，得到该样本视频的目标交并比数量；针对每个样本视频，计算样本视频模型针对该样本视频的预测结果的准确率；针对每个样本视频，计算样本视频模型针对该样本视频预测的预测结果的召回率；计算样本视频模型的评估结果。本发明实现了评估视频模型预测结果的质量。

Description

一种对视频模型做评估的方法、装置及电子设备
技术领域
本发明涉及计算机技术领域，特别是涉及一种对视频模型做评估的方法、装置及电子设备。
背景技术
视频片段的精彩指数是指视频中片段的精彩程度，视频片段越精彩相应的精彩指数也就越高。确定视频中各片段的精彩指数，能够帮助制作视频宣传片，对于提高视频播放率有着积极作用，运营商可以对视频中的精彩片段做出有针对性的决策，做出精准、有效的定向推广。并且精彩指数的确定对于分析用户观看视频需求，提高视频拍摄质量，均有重要的反馈作用。
相关技术中，可以通过聚类模型或神经网络模型等依托计算机视觉技术，对视频中各片段的精彩指数进行预测，然而如何评估视频模型预测结果的质量，仍然是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种对视频模型做评估的方法、装置及电子设备，以实现评估视频模型预测结果的质量。具体技术方案如下：
第一方面，本发明实施例公开了一种对视频模型做评估的方法，所述方法包括：
获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各所述样本视频的评估集，其中，所述样本视频的评估集表征所述样本视频中的各实际精彩片段；
针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；
针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比；
针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量；
针对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算所述样本视频模型针对该样本视频的预测结果的准确率，其中，所述准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算所述样本视频模型针对该样本视频预测的预测结果的召回率，其中，所述召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
计算各所述样本视频的平均准确率以及平均召回率，利用所述平均准确率、所述平均召回率，计算所述样本视频模型的评估结果。
可选地，按照以下方式获取任一样本视频的评估集：
获取视频平台用户针对所述样本视频的视频片段截取记录，其中，所述视频片段截取记录包括各被截取视频片段的起始时间及结束时间；
按照所述视频片段截取记录的各所述被截取视频片段的起始时间及结束时间，计算所述样本视频中不同时段的各单位片段被截取的截取次数；
选取截取次数不低于预设阈值的单位片段，得到各待聚合单位片段；
按照预设聚类算法，对各所述待聚合单位片段按照时间顺序进行聚合，得到各实际精彩片段；
将各所述实际精彩片段形成的集合，确定为所述样本视频的评估集。
可选地，所述按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段，包括：
按照该样本视频的预测曲线，计算该预测曲线的精彩度均值；
筛选该预测曲线中大于所述精彩度均值的片段，得到各待处理曲线片段；
针对各所述待处理曲线片段，确定该待处理曲线片段的峰值时间点，并截取包含所述峰值时间点的预设时间曲线片段，作为该预测曲线的预测精彩片段。
可选地，所述按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比，包括：
将该样本视频的预测曲线的各预测精彩片段、以及与该预测曲线对应的样本视频的评估集中各所述实际精彩片段，分别排列在时间轴上；
针对所述时间轴上该样本视频的各所述预测精彩片段，计算该预测精彩片段分别与各所述实际精彩片段的各交集；以及计算该预测精彩片段分别各所述实际精彩片段的各并集；
针对所述时间轴上该样本视频的各所述预测精彩片段，通过该预测精彩片段分别与各所述实际精彩片段的各交集，以及该预测精彩片段分别与各所述实际精彩片段的各并集，计算该预测精彩片段分别与各所述实际精彩片段的各交并比。
可选地，所述按照该样本视频的目标交并比数量及预测精彩片段的数量，计算所述样本视频模型针对该样本视频的预测结果的准确率，包括：
计算该样本视频的目标交并比数量与预测精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的准确率。
可选地，所述按照该样本视频的目标交并比数量及实际精彩片段的数量，计算所述样本视频模型针对该样本视频预测的预测结果的召回率，包括：
计算该样本视频的目标交并比数量与实际精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的召回率。
可选地，所述利用所述平均准确率、所述平均召回率，计算所述样本视频模型的整体评估值，包括：
计算二倍的所述平均准确率与二倍的所述平均召回率的乘积，得到第一结果；
计算所述平均准确率与所述平均召回率的和，得到第二结果；
计算所述第一结果与所述第二结果的比值，得到所述视频模型的评估结果。
第二方面，本发明实施例公开了一种对视频模型做评估的装置，所述装置包括：
评估集获取模块，用于样本视频的评估集获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各所述样本视频的评估集，其中，所述样本视频的评估集表征所述样本视频中的各实际精彩片段；
预测精彩片段确定模块，用于针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；
精彩片段交并比确定模块，用于针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比；
目标交并比数量确定模块，用于针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量；
预测结果准确率确定模块，用于对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算所述样本视频模型针对该样本视频的预测结果的准确率，其中，所述准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
预测结果召回率确定模块，用于针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算所述样本视频模型针对该样本视频预测的预测结果的召回率，其中，所述召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
视频模型整体评估值确定模块，用于计算各所述样本视频的平均准确率以及平均召回率，利用所述平均准确率、所述平均召回率，计算所述样本视频模型的评估结果。
可选地，所述评估集获取模块，包括：
视频片段截取记录获取子模块，用于获取视频平台用户针对所述样本视频的视频片段截取记录，其中，所述视频片段截取记录包括各被截取视频片段的起始时间及结束时间；
各单位片段截取次数确定子模块，用于按照所述视频片段截取记录的各所述被截取视频片段的起始时间及结束时间，计算所述样本视频中不同时段的各单位片段被截取的截取次数；
待聚合单位片段确定子模块，用于选取截取次数不低于预设阈值的单位片段，得到各待聚合单位片段；
实际精彩片段确定子模块，用于按照预设聚类算法，对各所述待聚合单位片段按照时间顺序进行聚合，得到各实际精彩片段；
评估集确定子模块，用于将各所述实际精彩片段形成的集合，确定为所述样本视频的评估集。
可选地，所述预测精彩片段确定模块，包括：
精彩度均值确定子模块，用于按照该样本视频的预测曲线，计算该预测曲线的精彩度均值；
待处理曲线片段确定子模块，用于筛选该预测曲线中大于所述精彩度均值的片段，得到各待处理曲线片段；
预测精彩片段确定子模块，针对各所述待处理曲线片段，确定该待处理曲线片段的峰值时间点，并截取包含所述峰值时间点的预设时间曲线片段，作为该预测曲线的预测精彩片段。
可选地，所述精彩片段交并比确定模块，包括：
精彩片段排列子模块，用于将该样本视频的预测曲线的各预测精彩片段、以及与该预测曲线对应的样本视频的评估集中各所述实际精彩片段，分别排列在时间轴上；
精彩片段交集、并集计算子模块，用于针对所述时间轴上该样本视频的各所述预测精彩片段，计算该预测精彩片段分别与各所述实际精彩片段的各交集；以及计算该预测精彩片段分别各所述实际精彩片段的各并集；
精彩片段交并比计算子模块，用于针对所述时间轴上该样本视频的各所述预测精彩片段，通过该预测精彩片段分别与各所述实际精彩片段的各交集，以及该预测精彩片段分别与各所述实际精彩片段的各并集，计算该预测精彩片段分别与各所述实际精彩片段的各交并比。
可选地，所述预测结果准确率确定模块，具体用于计算该样本视频的目标交并比数量与预测精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的准确率。
可选地，所述预测结果召回率确定模块，具体用于计算该样本视频的目标交并比数量与实际精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的召回率。
可选地，所述视频模型整体评估值确定模块，包括：
第一结果计算子模块，用于计算二倍的所述平均准确率与二倍的所述平均召回率的乘积，得到第一结果；
第二结果计算子模块，用于计算所述平均准确率与所述平均召回率的和，得到第二结果；
视频模型整体评估值确定子模块，用于计算所述第一结果与所述第二结果的比值，得到所述视频模型的评估结果。
第三方面，本发明实施例公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述对视频模型做评估的方法中任一所述的方法步骤。
又一方面，本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述对视频模型做评估的方法中任一所述的方法步骤。
又一方面，本发明实施例公开了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述对视频模型做评估的方法中任一所述的方法步骤。
在本发明实施例提供的一种对视频模型做评估的方法、装置及电子设备中，针对每个样本视频，得到该评估样本视频模型预测的精彩度的预测曲线，与该样本视频中的各实际精彩片段的准确率与召回率，实现样本视频模型针对每个样本视频的预测曲线的评价结果。为了避免单个预测曲线评估结果的偏差，本发明实施例中最后综合各样本视频的预测曲线的评价结果，得到样本视频模型的评估结果，使得得到的关于该评估视频模的评估结果更加客观、更加准确。
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。
图1为本发明实施例的一种对视频模型做评估的方法流程图；
图2为本发明实施例的一种视频评估集的确定方法流程图；
图3为本发明实施例的一种确定预测精彩片段的方法流程图
图4为本发明实施例的一种对视频模型做评估的方法中确定待处理曲线片段示意图；
图5为本发明实施例的一种对视频模型做评估的方法中确定预测精彩片段示意图；
图6为本发明实施例的一种对视频模型做评估的方法中交并比确定方法流程图；
图7为本发明实施例的一种对视频模型做评估的方法中精彩片段排列示意图；
图8为本发明实施例的一种对视频模型做评估的方法中交并比计算方法示意图；
图9为本发明实施例的一种对视频模型做评估的方法中交并比示意图；
图10为本发明实施例的一种对视频模型做评估的装置结构示意图；
图11为本发明实施例的一种电子设备结构示意图。
具体实施方式
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。
第一方面，本发明实施例公开了一种对视频模型做评估的方法，如图1所示。图1为本发明实施例的一种对视频模型做评估的方法流程图，方法包括：
S101，获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各样本视频的评估集，其中，样本视频的评估集表征样本视频中的各实际精彩片段。
本发明实施例的执行主体可为视频平台的后端服务器。本步骤中，获取样本视频模型针对各样本视频的精彩度的预测曲线，以及获取与每个样本视频对应的评估集。该评估集表征该样本视频中的各实际精彩片段。
其中，样本视频的评估集的获取方式可通过标注人员的对视频打分获得。具体为：标注人员首先看完整个视频，对整个视频有个整体的认识，然后再重新看视频，对视频中的每一帧做出评判给出分数。
另外，为了减轻工作人员的工作量，可获得用户针对该样本视频的视频片段截取记录，计算该样本视频中不同时段的各单位片段被截取的截取次数，得到该样本视频的评估集。为了保证方案的完整性，以下实施例中详细说明。
S102，针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段。
本发明实施例中为了判断样本视频模型的准确性，可通过检测样本视频精彩度的预测曲线的准确性来展现。然而对于得到精彩度的预测曲线问题，不需要精准计算视频每一秒的精彩值是多少，用户在观看视频过程中会比较在意波峰波谷，只要波峰所在的位置确实是精彩的就认为是准确的，至于具体波峰的数值是多少意义不大。这也就意味着从曲线中找出准确的波峰即可。
本步骤中，需要从连续曲线中找出波峰片段，也就是将输出的连续预测曲线离散化，从离散化得到的片段中找出波峰片段，即得到视频模型认为的精彩片段。找出所有的波峰位置后，本发明实施例可在该波峰位置处左右各取预设时间片段，得到波峰片段。然而，实际情况中可能会出现有的波峰分值很低，它只是局部的波峰，从整体上看并不精彩，所以可设置精彩阈值，取出高于精彩阈值的波峰片段，即可得到本发明实施例的该样本视频的各预测精彩片段。
本步骤中得到了各样本视频的各预测精彩片段后，可将每个样本视频的各预测精彩片段与该样本视频的评估集中的各实际精彩片段对比，进而确定该样本视频的预测曲线准确性。
S103，针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比。
本步骤中，可将该样本视频的各预测精彩片段以及与该预测曲线对应的样本视频的评估集中各实际精彩片段，排列在时间轴上，找到所有二者有交集的片段和二者没交集的片段。确定预测精彩片段和实际精彩片段有交集片段。分别计算有交集的预测精彩片段和实际精彩片段的交并比。
具体采用如下公式，计算交并比IOU(Intersection-over-Union)：
IOU＝(实际精彩片段和预测精彩片段交集的长度)/(实际精彩片段和预测精彩片段并集的长度)
按照上述公式，计算出该样本视频中所以实际精彩片段与预测精彩片段存在交集的交并比。
按照上述方式，对各样本视频进行处理，得到每个样本视频中所以实际精彩片段与预测精彩片段存在交集的交并比。
S104，针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量。
本发明实施例可设置交并比阈值，保证视频模型预测的精彩度的预测曲线准确性。即为交并比越大，说明该视频模型对该处片段的预测结果更准确。一般交并比阈值设为0.5，即对于IOU高于0.5的片段，认为视频模型此处的预测结果与真实结果是一致的。
在本步骤中，对该样本视频的各交并比，筛选大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量。
针对每个样本视频，执行上述方法，得到与样本视频对应的目标交并比数量。
S105，针对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算样本视频模型针对该样本视频的预测结果的准确率，其中，准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
可选地，上述S105中按照该样本视频的目标交并比数量及预测精彩片段的数量，计算样本视频模型针对该样本视频的预测结果的准确率，可包括：
计算该样本视频的目标交并比数量与预测精彩片段的数量的比值，得到样本视频模型针对该样本视频的预测结果的准确率。
具体地，可通过以下公式，计算该样本视频模型针对该样本视频的预测结果的准确率auc：
auc＝目标交并比数量/预测精彩片段的数量
例如，上述S104中得到的目标交并比数量为2，该样本视频的预测精彩片段的数量为3，则该样本视频模型针对该样本视频的预测结果的准确率auc＝2/3＝66.7％。
按照上述方法，得到样本视频模型针对每个样本视频的预测结果的准确率。
S106，针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算样本视频模型针对该样本视频预测的预测结果的召回率，其中，召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
可选地，上述S106中按照该样本视频的目标交并比数量及实际精彩片段的数量，计算样本视频模型针对该样本视频预测的预测结果的召回率，可包括：
计算该样本视频的目标交并比数量与实际精彩片段的数量的比值，得到样本视频模型针对该样本视频的预测结果的召回率。
具体地，可通过以下公式，计算该样本视频模型针对该样本视频的预测结果的召回率recall：
recall＝目标交并比数量/实际精彩片段的数量
例如，上述S104中得到的目标交并比数量为2，该样本视频的对应的评估集中实际精彩片段的数量为4，则该样本视频模型针对该样本视频的预测结果的召回率recall＝2/4＝50％。
按照上述方法，得到样本视频模型针对每个样本视频的预测结果的召回率。
S107，计算各样本视频的平均准确率以及平均召回率，利用平均准确率、平均召回率，计算样本视频模型的评估结果。
具体地，计算将所有样本视频的的平均准确率acc^和平均召回率recall^，该平均准确率acc^即为视频模型的最终准确率，该平均召回率recall^即为视频模型最终的召回率。
通过以下公式计算视频模型的样本视频模型的评估结果F1-score：
F1-score＝2*acc^*recall^/(acc^+recall^)。
在本发明实施例提供的一种对视频模型做评估的方法中，针对每个样本视频，得到该评估样本视频模型预测的精彩度的预测曲线，与该样本视频中的各实际精彩片段的准确率与召回率，实现样本视频模型针对每个样本视频的预测曲线的评价结果。为了避免单个预测曲线评估结果的偏差，本发明实施例中最后综合各样本视频的预测曲线的评价结果，得到样本视频模型的评估结果，使得得到的关于该评估视频模的评估结果更加客观、更加准确。
可选地，在本发明对视频模型做评估的方法的一种实施例中，按照如图2所示的方式，获取任一样本视频的评估集。图2为本发明实施例的一种视频评估集的确定方法流程图，包括：
S201，获取视频平台用户针对样本视频的视频片段截取记录，其中，视频片段截取记录包括各被截取视频片段的起始时间及结束时间；
本步骤可为：在保存视频平台数据的数据库或日志中，获取该样本视频的视频片段截取记录，该视频片段截取记录至少包括各被截取视频片段的起始时间及结束时间。
S202，按照视频片段截取记录的各被截取视频片段的起始时间及结束时间，计算样本视频中不同时段的各单位片段被截取的截取次数。
本步骤中，可将样本视频划分为多个单位片段，每个被截取视频片段的起始时间及结束时间内对应包含该样本视频的一个或多个单位片段。进而可按照各上述被截取视频片段的起始时间及结束时间，计算样本视频中不同时段的各单位片段被截取的截取次数。截取次数可反应用户对该单位片段的喜爱程度，即为该截取次数可表示该单位片段的视频帧的精彩度。
本步骤中，计算上述样本视频中不同时段的各单位片段被截取的截取次数，可为：将样本视频划分为多个单位片段，以及将各被截取视频片段划分对多个单位片段，进而可统计样本视频不同时段的各单位片段被截取视频片段的个数，得到样本视频中不同时段的各单位片段被截取的截取次数被。
另外，本发明实施例中，还可将各被截取视频片段的起始时间及结束时间放在同一坐标轴上，将最小起始时间与最大结束时间作目标时间段，将该时间段划分为多个单位片段，进而可统计不同时段的各单位片段被截取视频片段的个数，得到样本视频中不同时段的各单位片段被截取的截取次数被。
可选地，在执行S202时，可先获取预设单位时间，以上述单位时间为划分单位，将上述样本视频逻辑划分为多个单位片段。
例如，预设单位时间为秒、毫秒，则单位时间可为秒、毫秒。本步骤中可将样本视频逻辑划分为多个单位片段。例如，待评估的一集电视剧A为60分钟，可以秒为单位片段，将该一集电视剧A划分为多个单位片段。
本步骤可以秒为单位片段，将样本视频划分为多个单位片段。针对每个单位片段，累计该单位片段对应的被截取视频片段的截取次数，最终得到该样本视频中各单位片段被截取视频的截取次数。
S203，选取截取次数不低于预设阈值的单位片段，得到各待聚合单位片段。
本步骤中为了实现估计视频的精彩度，需要得到精彩度较高的视频评估集，因此，本步骤中为了减少计算量，可由实施人员设置预设阈值，进而筛选截取次数不低于预设阈值的单位片段。
本步骤中，可直接选择截取次数不低于预设阈值的单位片段，得到各待聚合单位片段。或者，在所有的单位片段中，删除截取次数低于预设阈值的单位片段，得到各待聚合单位片段。
可选地，在上述S203之前选取视频帧频数不低于预设阈值的单位片段，得到待聚合单位片段之前，上述方法还包括：
计算各单位片段被截取的截取次数的均值，将上述均值作为上述预设阈值。
本步骤中，为了设置合适的预设阈值，可计算各单位片段被截取的截取次数的均值，将上述均值作为上述预设阈值。
S204，按照预设聚类算法，对各待聚合单位片段按照时间顺序进行聚合，得到各实际精彩片段。
本步骤中，通过预设聚类算法，对S203中得到的各待聚合单位片段，按照时间顺序进行集合，得到聚合后的各目标视频序列。
其中，预设聚类算法可为DBSCAN算法。本发明实施例中，利用DBSCAN算法的上述特性，对排序后的各待聚合单位片段进行聚类，将各待聚合单位片段按照核心对象、核心半径，聚类得到密度可达的一个或多个连续的目标视频序列。其中，DBSCAN算法中的核心半径可设置为3、密度设置为0.5。
S205，将各实际精彩片段形成的集合，确定为样本视频的评估集。
按照上述方法，获得每个样本视频的评估集。
在本发明实施例的视频评估集的确定方法中，基于用户截取的视频片段得到样本视频的评估集的方法，不需要人工标注即可确定出样本视频的评估集，相较于人工标注的方式，节省了时间，实现了高效的得到视频的评估集。
可选地，在本发明对视频模型做评估的方法的一种实施例中，上述S102中按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段，可如图3所示。图3为本发明实施例的一种确定预测精彩片段的方法流程图，包括：
S301，按照该样本视频的预测曲线，计算该预测曲线的精彩度均值。
S302，筛选该预测曲线中大于精彩度均值的片段，得到各待处理曲线片段。
如图4所示，图4为本发明实施例的一种对视频模型做评估的方法中确定待处理曲线片段示意图。其中，横坐标表示时间，纵坐标表示精彩度，曲线表示视频模型这对该样本视频的预测曲线，既反映每个时间该样本视频的精彩程度。横穿曲线的横线表示该预测曲线的精彩度均值。本步骤中，筛选该预测曲线中大于精彩度均值的片段，可如图4中黑色矩形框中的曲线片段，这些曲线片段即为本发明实施例的该预测曲线的各待处理曲线片段。
S303，针对各待处理曲线片段，确定该待处理曲线片段的峰值时间点，并截取包含峰值时间点的预设时间曲线片段，作为该预测曲线的预测精彩片段。
本步骤中，针对图4中得到的该预测曲线的各待处理曲线片段，选取该待处理曲线片段的峰值时间点，其中，波峰的特点是其左侧的值小于等于波峰处的值，右侧的值也小于等于波峰处的值。如图5所示的本发明实施例的一种对视频模型做评估的方法中确定预测精彩片段示意图，其中，Tpeek1、Tpeek2、Tpeek3为该预测曲线的三个波峰点。
本步骤中可在每个波峰点左右各取2分钟的片段，得到该预测曲线的预测精彩片段。由于曲线会出现抖动很大的情况，会出现波峰左右各取2分钟的片段有交叉重叠的情况，则可将交叉重叠的预测精彩片段合并为一个预测精彩片段，将第一个预测精彩片段的开始时刻作为合并后预测精彩片段的开始时刻，将第二个预测精彩片段的结束时刻作为合并后预测精彩片段的结束时刻。例如，第一个波峰点是3分钟，以第一个波峰点为中心，得到的预测精彩片段为1-5分钟的视频片段；第二个波峰点是4.3分钟，以第二个波峰点为中心，得到的预测精彩片段为2.3-6.3分钟的视频片段，则可将两个预测精彩片段合并，得到1-6.3的一个预测精彩片段。
可见，通过本发明实施例，可筛选出高于精彩度均值的视频片段，得到预测曲线的预测精彩片段，减少了后期的计算量。更重要的是，有针对性的选取了精彩的视频片段，保证了对精彩视频的预估准确性。
可选地，上述S103中按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比，可如图6所示。图6为本发明实施例的一种对视频模型做评估的方法中交并比确定方法流程图，包括：
S601，将该样本视频的预测曲线的各预测精彩片段、以及与该预测曲线对应的样本视频的评估集中各实际精彩片段，分别排列在时间轴上。
例如图7所示的本发明实施例的一种对视频模型做评估的方法中精彩片段排列示意图。
在图7中，图7中横线为该样本视频的精彩度均值线，图7中1、2、3、4对应的黑色矩形条表示该样本视频的实际精彩片段；剩余较短的黑色矩形条为该样本视频对应的预测曲线的预测精彩片段，其中，一个预测精彩片段与实际精彩片段4重合，图7中不能清楚看出。
S602，针对时间轴上该样本视频的各预测精彩片段，计算该预测精彩片段分别与各实际精彩片段的各交集；以及计算该预测精彩片段分别各实际精彩片段的各并集。
S603，针对时间轴上该样本视频的各预测精彩片段，通过该预测精彩片段分别与各实际精彩片段的各交集，以及该预测精彩片段分别与各实际精彩片段的各并集，计算该预测精彩片段分别与各实际精彩片段的各交并比。
例如图8所示的本发明实施例的一种对视频模型做评估的方法中交并比计算方法示意图。
其中，1框长度I1＝100；2框长度I2＝80；1.2框交集长度I＝60；1.2框并集U＝120；1.2框交并比IOU＝I/U＝60/120＝0.5。
按照上述计算方式，可得到该样本视频的各交并比，如图9所示。图9为本发明实施例的一种对视频模型做评估的方法中交并比示意图。
其中，该样本视频的从左到右顺序中，第一个预测精彩片段与实际精彩片段1的IOU为0.1；第二个预测精彩片段与实际精彩片段2的IOU为0.8；第三个预测精彩片段与实际精彩片段3的IOU为0；第四个预测精彩片段与实际精彩片段4的IOU为0.9。
可见，通过本发明实施例，可实现得到样本视频的精彩片段交并比，便于后期利用交并比确定对应预测曲线的准确度，以及通过该指标得到视频模型最终的评估结果。
第二方面，本发明实施例公开了一种对视频模型做评估的装置，如图10所示。图10为本发明实施例的一种对视频模型做评估的装置结构示意图，装置包括：
评估集获取模块1001，用于样本视频的评估集获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各样本视频的评估集，其中，样本视频的评估集表征样本视频中的各实际精彩片段；
预测精彩片段确定模块1002，用于针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；
精彩片段交并比确定模块1003，用于针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比；
目标交并比数量确定模块1004，用于针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量；
预测结果准确率确定模块1005，用于对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算样本视频模型针对该样本视频的预测结果的准确率，其中，准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
预测结果召回率确定模块1006，用于针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算样本视频模型针对该样本视频预测的预测结果的召回率，其中，召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
视频模型整体评估值确定模块1007，用于计算各样本视频的平均准确率以及平均召回率，利用平均准确率、平均召回率，计算样本视频模型的评估结果。
在本发明实施例提供的一种对视频模型做评估的装置中，针对每个样本视频，得到该评估样本视频模型预测的精彩度的预测曲线，与该样本视频中的各实际精彩片段的准确率与召回率，实现样本视频模型针对每个样本视频的预测曲线的评价结果。为了避免单个预测曲线评估结果的偏差，本发明实施例中最后综合各样本视频的预测曲线的评价结果，得到样本视频模型的评估结果，使得得到的关于该评估视频模的评估结果更加客观、更加准确。
可选地，在本发明对视频模型做评估的装置的一种实施例中，评估集获取模块1001，包括：
视频片段截取记录获取子模块，用于获取视频平台用户针对样本视频的视频片段截取记录，其中，视频片段截取记录包括各被截取视频片段的起始时间及结束时间；
各单位片段截取次数确定子模块，用于按照视频片段截取记录的各被截取视频片段的起始时间及结束时间，计算样本视频中不同时段的各单位片段被截取的截取次数；
待聚合单位片段确定子模块，用于选取截取次数不低于预设阈值的单位片段，得到各待聚合单位片段；
实际精彩片段确定子模块，用于按照预设聚类算法，对各待聚合单位片段按照时间顺序进行聚合，得到各实际精彩片段；
评估集确定子模块，用于将各实际精彩片段形成的集合，确定为样本视频的评估集。
可选地，在本发明对视频模型做评估的装置的一种实施例中，预测精彩片段确定模块1002，包括：
精彩度均值确定子模块，用于按照该样本视频的预测曲线，计算该预测曲线的精彩度均值；
待处理曲线片段确定子模块，用于筛选该预测曲线中大于精彩度均值的片段，得到各待处理曲线片段；
预测精彩片段确定子模块，针对各待处理曲线片段，确定该待处理曲线片段的峰值时间点，并截取包含峰值时间点的预设时间曲线片段，作为该预测曲线的预测精彩片段。
可选地，在本发明对视频模型做评估的装置的一种实施例中，精彩片段交并比确定模块1003，包括：
精彩片段排列子模块，用于将该样本视频的预测曲线的各预测精彩片段、以及与该预测曲线对应的样本视频的评估集中各实际精彩片段，分别排列在时间轴上；
精彩片段交集、并集计算子模块，用于针对时间轴上该样本视频的各预测精彩片段，计算该预测精彩片段分别与各实际精彩片段的各交集；以及计算该预测精彩片段分别各实际精彩片段的各并集；
精彩片段交并比计算子模块，用于针对时间轴上该样本视频的各预测精彩片段，通过该预测精彩片段分别与各实际精彩片段的各交集，以及该预测精彩片段分别与各实际精彩片段的各并集，计算该预测精彩片段分别与各实际精彩片段的各交并比。
可选地，在本发明对视频模型做评估的装置的一种实施例中，预测结果准确率确定模块1005，具体用于计算该样本视频的目标交并比数量与预测精彩片段的数量的比值，得到样本视频模型针对该样本视频的预测结果的准确率。
可选地，在本发明对视频模型做评估的装置的一种实施例中，预测结果召回率确定模块1006，具体用于计算该样本视频的目标交并比数量与实际精彩片段的数量的比值，得到样本视频模型针对该样本视频的预测结果的召回率。
可选地，在本发明对视频模型做评估的装置的一种实施例中，视频模型整体评估值确定模块1007，包括：
第一结果计算子模块，用于计算二倍的平均准确率与二倍的平均召回率的乘积，得到第一结果；
第二结果计算子模块，用于计算平均准确率与平均召回率的和，得到第二结果；
视频模型整体评估值确定子模块，用于计算第一结果与第二结果的比值，得到视频模型的评估结果。
第三方面，本发明实施例公开了一种电子设备，如图11所示。图11为本发明实施例的一种电子设备结构示意图，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101、通信接口1102、存储器1103通过通信总线1104完成相互间的通信；
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现以下方法步骤：
获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各样本视频的评估集，其中，样本视频的评估集表征样本视频中的各实际精彩片段；
针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；
针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比；
针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量；
针对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算样本视频模型针对该样本视频的预测结果的准确率，其中，准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算样本视频模型针对该样本视频预测的预测结果的召回率，其中，召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
计算各样本视频的平均准确率以及平均召回率，利用平均准确率、平均召回率，计算样本视频模型的评估结果。
上述电子设备提到的通信总线1104可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线1104可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1102用于上述电子设备与其他设备之间的通信。
存储器1103可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器1103还可以是至少一个位于远离前述处理器1101的存储装置。
上述的处理器1101可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明实施例提供的一种电子设备中，针对每个样本视频，得到该评估样本视频模型预测的精彩度的预测曲线，与该样本视频中的各实际精彩片段的准确率与召回率，实现样本视频模型针对每个样本视频的预测曲线的评价结果。为了避免单个预测曲线评估结果的偏差，本发明实施例中最后综合各样本视频的预测曲线的评价结果，得到样本视频模型的评估结果，使得得到的关于该评估视频模的评估结果更加客观、更加准确。
又一方面，本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述对视频模型做评估的方法中任一所述的方法步骤。
在本发明实施例提供的一种计算机可读存储介质中，针对每个样本视频，得到该评估样本视频模型预测的精彩度的预测曲线，与该样本视频中的各实际精彩片段的准确率与召回率，实现样本视频模型针对每个样本视频的预测曲线的评价结果。为了避免单个预测曲线评估结果的偏差，本发明实施例中最后综合各样本视频的预测曲线的评价结果，得到样本视频模型的评估结果，使得得到的关于该评估视频模的评估结果更加客观、更加准确。
又一方面，本发明实施例公开了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述对视频模型做评估的方法中任一所述的方法步骤。
在本发明实施例提供的一种包含指令的计算机程序产品中，针对每个样本视频，得到该评估样本视频模型预测的精彩度的预测曲线，与该样本视频中的各实际精彩片段的准确率与召回率，实现样本视频模型针对每个样本视频的预测曲线的评价结果。为了避免单个预测曲线评估结果的偏差，本发明实施例中最后综合各样本视频的预测曲线的评价结果，得到样本视频模型的评估结果，使得得到的关于该评估视频模的评估结果更加客观、更加准确。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置及电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (15)

1.一种对视频模型做评估的方法，其特征在于，所述方法包括：
获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各所述样本视频的评估集，其中，所述样本视频的评估集表征所述样本视频中的各实际精彩片段；
针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；
针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比；
针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量；
针对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算所述样本视频模型针对该样本视频的预测结果的准确率，其中，所述准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算所述样本视频模型针对该样本视频预测的预测结果的召回率，其中，所述召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
计算各所述样本视频的平均准确率以及平均召回率，利用所述平均准确率、所述平均召回率，计算所述样本视频模型的评估结果。
2.根据权利要求1所述的方法，其特征在于，按照以下方式获取任一样本视频的评估集：
获取视频平台用户针对所述样本视频的视频片段截取记录，其中，所述视频片段截取记录包括各被截取视频片段的起始时间及结束时间；
按照所述视频片段截取记录的各所述被截取视频片段的起始时间及结束时间，计算所述样本视频中不同时段的各单位片段被截取的截取次数；
选取截取次数不低于预设阈值的单位片段，得到各待聚合单位片段；
按照预设聚类算法，对各所述待聚合单位片段按照时间顺序进行聚合，得到各实际精彩片段；
将各所述实际精彩片段形成的集合，确定为所述样本视频的评估集。
3.根据权利要求1所述的方法，其特征在于，所述按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段，包括：
按照该样本视频的预测曲线，计算该预测曲线的精彩度均值；
筛选该预测曲线中大于所述精彩度均值的片段，得到各待处理曲线片段；
针对各所述待处理曲线片段，确定该待处理曲线片段的峰值时间点，并截取包含所述峰值时间点的预设时间曲线片段，作为该预测曲线的预测精彩片段。
4.根据权利要求1所述的方法，其特征在于，所述按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比，包括：
将该样本视频的预测曲线的各预测精彩片段、以及与该预测曲线对应的样本视频的评估集中各所述实际精彩片段，分别排列在时间轴上；
针对所述时间轴上该样本视频的各所述预测精彩片段，计算该预测精彩片段分别与各所述实际精彩片段的各交集；以及计算该预测精彩片段分别各所述实际精彩片段的各并集；
针对所述时间轴上该样本视频的各所述预测精彩片段，通过该预测精彩片段分别与各所述实际精彩片段的各交集，以及该预测精彩片段分别与各所述实际精彩片段的各并集，计算该预测精彩片段分别与各所述实际精彩片段的各交并比。
5.根据权利要求1所述的方法，其特征在于，所述按照该样本视频的目标交并比数量及预测精彩片段的数量，计算所述样本视频模型针对该样本视频的预测结果的准确率，包括：
计算该样本视频的目标交并比数量与预测精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的准确率。
6.根据权利要求1所述的方法，其特征在于，所述按照该样本视频的目标交并比数量及实际精彩片段的数量，计算所述样本视频模型针对该样本视频预测的预测结果的召回率，包括：
计算该样本视频的目标交并比数量与实际精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的召回率。
7.根据权利要求1所述的方法，其特征在于，所述利用所述平均准确率、所述平均召回率，计算所述样本视频模型的整体评估值，包括：
计算二倍的所述平均准确率与二倍的所述平均召回率的乘积，得到第一结果；
计算所述平均准确率与所述平均召回率的和，得到第二结果；
计算所述第一结果与所述第二结果的比值，得到所述视频模型的评估结果。
8.一种对视频模型做评估的装置，其特征在于，所述装置包括：
评估集获取模块，用于样本视频的评估集获取样本视频模型针对各样本视频的精彩度的预测曲线，获取各所述样本视频的评估集，其中，所述样本视频的评估集表征所述样本视频中的各实际精彩片段；
预测精彩片段确定模块，用于针对每个样本视频，按照该样本视频的预测曲线，确定该样本视频的各预测精彩片段；
精彩片段交并比确定模块，用于针对每个样本视频，按照该样本视频的时间戳，计算该样本视频中存在交集的预测精彩片段与实际精彩片段的交并比，得到该样本视频的精彩片段交并比；
目标交并比数量确定模块，用于针对每个样本视频，确定该样本视频中大于交并比阈值的精彩片段交并比的数量，得到该样本视频的目标交并比数量；
预测结果准确率确定模块，用于对每个样本视频，按照该样本视频的目标交并比数量及预测精彩片段的数量，计算所述样本视频模型针对该样本视频的预测结果的准确率，其中，所述准确率与目标交并比数量正相关，与预测精彩片段的数量负相关；
预测结果召回率确定模块，用于针对每个样本视频，按照该样本视频的目标交并比数量及实际精彩片段的数量，计算所述样本视频模型针对该样本视频预测的预测结果的召回率，其中，所述召回率与目标交并比数量正相关，与实际精彩片段的数量负相关；
视频模型整体评估值确定模块，用于计算各所述样本视频的平均准确率以及平均召回率，利用所述平均准确率、所述平均召回率，计算所述样本视频模型的评估结果。
9.根据权利要求8所述的装置，其特征在于，所述评估集获取模块，包括：
视频片段截取记录获取子模块，用于获取视频平台用户针对所述样本视频的视频片段截取记录，其中，所述视频片段截取记录包括各被截取视频片段的起始时间及结束时间；
各单位片段截取次数确定子模块，用于按照所述视频片段截取记录的各所述被截取视频片段的起始时间及结束时间，计算所述样本视频中不同时段的各单位片段被截取的截取次数；
待聚合单位片段确定子模块，用于选取截取次数不低于预设阈值的单位片段，得到各待聚合单位片段；
实际精彩片段确定子模块，用于按照预设聚类算法，对各所述待聚合单位片段按照时间顺序进行聚合，得到各实际精彩片段；
评估集确定子模块，用于将各所述实际精彩片段形成的集合，确定为所述样本视频的评估集。
10.根据权利要求8所述的装置，其特征在于，所述预测精彩片段确定模块，包括：
精彩度均值确定子模块，用于按照该样本视频的预测曲线，计算该预测曲线的精彩度均值；
待处理曲线片段确定子模块，用于筛选该预测曲线中大于所述精彩度均值的片段，得到各待处理曲线片段；
预测精彩片段确定子模块，针对各所述待处理曲线片段，确定该待处理曲线片段的峰值时间点，并截取包含所述峰值时间点的预设时间曲线片段，作为该预测曲线的预测精彩片段。
11.根据权利要求8所述的装置，其特征在于，所述精彩片段交并比确定模块，包括：
精彩片段排列子模块，用于将该样本视频的预测曲线的各预测精彩片段、以及与该预测曲线对应的样本视频的评估集中各所述实际精彩片段，分别排列在时间轴上；
精彩片段交集、并集计算子模块，用于针对所述时间轴上该样本视频的各所述预测精彩片段，计算该预测精彩片段分别与各所述实际精彩片段的各交集；以及计算该预测精彩片段分别各所述实际精彩片段的各并集；
精彩片段交并比计算子模块，用于针对所述时间轴上该样本视频的各所述预测精彩片段，通过该预测精彩片段分别与各所述实际精彩片段的各交集，以及该预测精彩片段分别与各所述实际精彩片段的各并集，计算该预测精彩片段分别与各所述实际精彩片段的各交并比。
12.根据权利要求8所述的装置，其特征在于，所述预测结果准确率确定模块，具体用于计算该样本视频的目标交并比数量与预测精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的准确率。
13.根据权利要求8所述的装置，其特征在于，所述预测结果召回率确定模块，具体用于计算该样本视频的目标交并比数量与实际精彩片段的数量的比值，得到所述样本视频模型针对该样本视频的预测结果的召回率。
14.根据权利要求8所述的装置，其特征在于，所述视频模型整体评估值确定模块，包括：
第一结果计算子模块，用于计算二倍的所述平均准确率与二倍的所述平均召回率的乘积，得到第一结果；
第二结果计算子模块，用于计算所述平均准确率与所述平均召回率的和，得到第二结果；
视频模型整体评估值确定子模块，用于计算所述第一结果与所述第二结果的比值，得到所述视频模型的评估结果。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
CN201811605061.5A 2018-12-26 2018-12-26 一种对视频模型做评估的方法、装置及电子设备 Active CN109685144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811605061.5A CN109685144B (zh) 2018-12-26 2018-12-26 一种对视频模型做评估的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811605061.5A CN109685144B (zh) 2018-12-26 2018-12-26 一种对视频模型做评估的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN109685144A true CN109685144A (zh) 2019-04-26
CN109685144B CN109685144B (zh) 2021-02-12

Family

ID=66189757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811605061.5A Active CN109685144B (zh) 2018-12-26 2018-12-26 一种对视频模型做评估的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN109685144B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110505519A (zh) * 2019-08-14 2019-11-26 咪咕文化科技有限公司 一种视频剪辑方法、电子设备及存储介质
CN110675361A (zh) * 2019-08-16 2020-01-10 北京百度网讯科技有限公司 建立视频检测模型以及视频检测的方法、装置
CN111669656A (zh) * 2020-06-19 2020-09-15 北京奇艺世纪科技有限公司 一种视频片段的精彩程度确定方法及装置
CN112001453A (zh) * 2020-08-31 2020-11-27 北京易华录信息技术股份有限公司 一种视频事件检测算法的准确率计算方法及装置
CN112084369A (zh) * 2020-08-03 2020-12-15 广州数说故事信息科技有限公司 一种基于视频直播高光时刻挖掘方法和模型
CN112288092A (zh) * 2019-07-23 2021-01-29 百度时代网络技术（北京）有限公司 模型评估方法、装置、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073636A (zh) * 2009-10-30 2011-05-25 索尼株式会社 节目高潮检索方法和系统
CN104036023A (zh) * 2014-06-26 2014-09-10 福州大学 一种融合上下文的树形视频语义索引建立方法
CN106028134A (zh) * 2015-03-31 2016-10-12 泽普实验室公司 针对移动计算设备检测体育视频精彩部分
CN106899809A (zh) * 2017-02-28 2017-06-27 广州市诚毅科技软件开发有限公司 一种基于深度学习的视频剪辑方法和装置
CN107273933A (zh) * 2017-06-27 2017-10-20 北京飞搜科技有限公司 一种图像追踪分类器的构建方法及应用其的人脸追踪方法
CN108062409A (zh) * 2017-12-29 2018-05-22 北京奇艺世纪科技有限公司 直播视频摘要的生成方法、装置及电子设备
CN108307230A (zh) * 2018-02-07 2018-07-20 北京奇艺世纪科技有限公司 一种视频精彩片段的提取方法及装置
CN108664931A (zh) * 2018-05-11 2018-10-16 中国科学技术大学 一种多阶段视频动作检测方法
CN109462751A (zh) * 2018-10-19 2019-03-12 北京奇艺世纪科技有限公司 预测模型的评估方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073636A (zh) * 2009-10-30 2011-05-25 索尼株式会社 节目高潮检索方法和系统
CN104036023A (zh) * 2014-06-26 2014-09-10 福州大学 一种融合上下文的树形视频语义索引建立方法
CN106028134A (zh) * 2015-03-31 2016-10-12 泽普实验室公司 针对移动计算设备检测体育视频精彩部分
CN106899809A (zh) * 2017-02-28 2017-06-27 广州市诚毅科技软件开发有限公司 一种基于深度学习的视频剪辑方法和装置
CN107273933A (zh) * 2017-06-27 2017-10-20 北京飞搜科技有限公司 一种图像追踪分类器的构建方法及应用其的人脸追踪方法
CN108062409A (zh) * 2017-12-29 2018-05-22 北京奇艺世纪科技有限公司 直播视频摘要的生成方法、装置及电子设备
CN108307230A (zh) * 2018-02-07 2018-07-20 北京奇艺世纪科技有限公司 一种视频精彩片段的提取方法及装置
CN108664931A (zh) * 2018-05-11 2018-10-16 中国科学技术大学 一种多阶段视频动作检测方法
CN109462751A (zh) * 2018-10-19 2019-03-12 北京奇艺世纪科技有限公司 预测模型的评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王硕: ""篮球视频精彩事件检测方法"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
谢文娟: ""足球视频精彩进球事件检测"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288092A (zh) * 2019-07-23 2021-01-29 百度时代网络技术（北京）有限公司 模型评估方法、装置、电子设备和存储介质
CN110505519A (zh) * 2019-08-14 2019-11-26 咪咕文化科技有限公司 一种视频剪辑方法、电子设备及存储介质
CN110505519B (zh) * 2019-08-14 2021-12-03 咪咕文化科技有限公司 一种视频剪辑方法、电子设备及存储介质
CN110675361A (zh) * 2019-08-16 2020-01-10 北京百度网讯科技有限公司 建立视频检测模型以及视频检测的方法、装置
CN110675361B (zh) * 2019-08-16 2022-03-25 北京百度网讯科技有限公司 建立视频检测模型以及视频检测的方法、装置
CN111669656A (zh) * 2020-06-19 2020-09-15 北京奇艺世纪科技有限公司 一种视频片段的精彩程度确定方法及装置
CN112084369A (zh) * 2020-08-03 2020-12-15 广州数说故事信息科技有限公司 一种基于视频直播高光时刻挖掘方法和模型
CN112001453A (zh) * 2020-08-31 2020-11-27 北京易华录信息技术股份有限公司 一种视频事件检测算法的准确率计算方法及装置
CN112001453B (zh) * 2020-08-31 2024-03-08 北京易华录信息技术股份有限公司 一种视频事件检测算法的准确率计算方法及装置

Also Published As

Publication number Publication date
CN109685144B (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN109685144A (zh) 一种对视频模型做评估的方法、装置及电子设备
JP6742320B2 (ja) 取引リスク検出方法及び装置
JP2020518078A (ja) 車両損失査定画像を取得するための方法および装置、サーバ、ならびに端末デバイス
KR102580474B1 (ko) 연속 오토 포커스 (caf) 를 위한 시스템 및 방법
CN109672936A (zh) 一种视频评估集的确定方法、装置及电子设备
JP6481617B2 (ja) 回避行動検出装置、回避行動検出方法、およびプログラム
US10028192B2 (en) Access point selection
CN108921206A (zh) 一种图像分类方法、装置、电子设备及存储介质
CN103458155B (zh) 视频场景变换检测方法和系统及体验质量检测方法和系统
US8892343B2 (en) Determining a spatiotemporal impact of a planned event on traffic
US8947600B2 (en) Methods, systems, and computer-readable media for detecting scene changes in a video
CN109241343A (zh) 一种刷量用户识别系统、方法及装置
CN103576127B (zh) 用于多天线的地面穿透雷达的合并显示
CN110059293B (zh) 基金估值数据的数据质量的确定方法、装置和服务器
CN106651901A (zh) 对象跟踪方法和设备
CN108847024A (zh) 基于视频的交通拥堵识别方法及系统
CN102957898A (zh) 图像处理设备、图像处理方法和程序
CN107392406A (zh) 一种用于风险决策的风险决策因子筛选方法及装置
EP2725523A2 (en) Heuristic method for scene cut detection in digital baseband video
CN110287361A (zh) 一种人物图片筛选方法及装置
CN117573477A (zh) 异常数据监控方法、装置、设备、介质和程序产品
CN109560978A (zh) 网络流量检测方法、装置及系统和计算机可读存储介质
CN111369792A (zh) 一种交通事件的分析方法、装置及电子设备
CN109740621A (zh) 一种视频分类方法、装置及设备
CN106326098A (zh) 测试页面感知性能的方法与装置

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