CN109740019A - 一种对短视频打标签的方法、装置及电子设备 - Google Patents
一种对短视频打标签的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109740019A CN109740019A CN201811534724.9A CN201811534724A CN109740019A CN 109740019 A CN109740019 A CN 109740019A CN 201811534724 A CN201811534724 A CN 201811534724A CN 109740019 A CN109740019 A CN 109740019A
- Authority
- CN
- China
- Prior art keywords
- entity
- default
- label
- images
- neural network
- 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
Abstract
本发明实施例提供了一种对短视频打标签的方法、装置及电子设备。涉及视频打标签技术领域,可以提高对短视频打出的标签的准确性。本申请的实施例包括:从待打标签短视频中提取待识别图像;然后判断待识别图像是否包含预设实体;如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。
Description
技术领域
本发明涉及视频打标签技术领域,特别是涉及一种对短视频打标签的方法、装置及电子设备。
背景技术
短视频即短片视频,是一种互联网内容传播方式,一般是在互联网新媒体上传播的时长在1分钟以内的视频传播内容。随着移动终端普及和网络的提速,短平快的大流量传播内容逐渐获得各大平台、粉丝和资本的青睐。
在推荐运营短视频的时候依赖于打的标签,好的标签可以使短视频直达粉丝用户群体,在加大推荐曝光量上的重要性不言而喻。
发明人在实现本发明的过程中发现,现有技术至少存在如下问题:
在对大量短视频打标签的时候,通常采用采用人工方式打标签,由于该过程主要依赖于打标签人员的主观判断,会存在对短视频打出的标签准确性不高的问题。
发明内容
本发明实施例的目的在于提供一种对短视频打标签的方法、装置及电子设备,以提高对短视频打出的标签的准确性。具体技术方案如下:
为达到上述目的,第一方面,本发明实施例提供了一种对短视频打标签的方法,所述方法包括:
从待打标签短视频中提取待识别图像;
判断所述待识别图像是否包含预设实体;
如果所述待识别图像包含预设实体,获得与所述预设实体相对应的推荐标签。
可选的,所述从待打标签短视频中提取待识别图像,包括:
每隔预设时间段,从所述待打标签短视频中提取图像帧;
去除提取的各图像帧中画面相同的图像帧,并将剩余的图像帧作为待识别图像。
可选的,所述判断所述待识别图像是否包含预设实体,包括:
将所述待识别图像输入实体识别模型;所述实体识别模型为预先以包含预设实体的图像作为样本图像训练的神经网络模型;
判断所述实体识别模型对待识别图像进行识别后是否输出了包含预设实体的实体图像信息;
如果输出了包含预设实体的实体图像信息,则确定所述待识别图像包含预设实体;
如果未输出包含预设实体的实体图像信息,则确定所述待识别图像不包含预设实体。
可选的,所述实体识别模型,采用如下步骤训练获得:
获取预设数量的样本图像,其中各个样本图像中包含各个预设实体的图像;
将各个样本图像输入预设的预设神经网络模型,对所述预设神经网络模型进行训练,所述预设神经网络模型的参数为初始参数值;
获得预设神经网络模型输出的预测的实体图像信息;
根据所述预测的实体图像信息、样本图像中包含的预设实体的图像和预设的损失函数,判断预设神经网络模型是否收敛;
如果是,则将预设神经网络模型作为训练好的实体识别模型;
否则,调整预设神经网络模型的参数,返回所述将各个样本图像输入预设的预设神经网络模型的步骤。
可选的,所述获得与所述预设实体相对应的推荐标签,包括:
根据预设实体与标签的对应关系,获得与所述预设实体对应的推荐标签;所述推荐标签包括:抽象标签和/或具体标签。
第二方面,本发明实施例提供了一种对短视频打标签的装置,所述装置包括:
图像提取模块,用于从待打标签短视频中提取待识别图像;
判断模块,用于判断所述待识别图像是否包含预设实体;
获得模块,用于如果所述待识别图像包含预设实体,获得与所述预设实体相对应的推荐标签。
可选的,所述图像提取模块,包括:
图像帧提取单元,用于每隔预设时间段,从所述待打标签短视频中提取图像帧;
图像帧去重单元,用于去除提取的图像帧中画面相同的图像帧,并将剩余的图像帧作为待识别图像。
可选的,所述判断模块,包括:
图像输入单元,用于将所述待识别图像输入实体识别模型;所述实体识别模型为预先以包含预设实体的图像作为样本图像训练的神经网络模型;
判断单元,用于判断所述实体识别模型对待识别图像进行识别后是否输出了包含预设实体的实体图像信息;
第一确定单元,用于如果输出了包含预设实体的实体图像信息,则确定所述待识别图像包含预设实体;
第二确定单元,用于如果未输出包含预设实体的实体图像信息,则确定所述待识别图像不包含预设实体。
可选的,所述装置还包括:实体识别模型训练模块;所述实体识别模型训练模块,包括:
样本图像获取单元,用于获取预设数量的样本图像,其中各个样本图像中包含各个预设实体的图像;
样本图像输入单元,用于将各个样本图像输入预设的预设神经网络模型;对所述预设神经网络模型进行训练,所述预设神经网络模型的参数为初始参数值;
实体图像信息输出单元,用于获得预设神经网络模型输出的预测的实体的实体图像信息;
收敛判断单元,用于根据所述预测的实体的实体图像信息、样本图像中包含的预设实体的图像和预设的损失函数,判断预设神经网络模型是否收敛;
实体识别模型确定单元,用于在判断出预设神经网络模型收敛时,将预设神经网络模型作为训练好的实体识别模型;
参数调整单元,用于在判断出预设神经网络模型不收敛时,调整预设神经网络模型的参数,触发所述样本图像输入单元。
可选的,所述获得模块,具体用于:
根据预设实体与标签的对应关系,获得与所述预设实体对应的推荐标签;所述推荐标签包括:抽象标签和/或具体标签。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的对短视频打标签的方法步骤。
第四方面,本发明实施例还提供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任一所述的对短视频打标签的方法的步骤。
第五方面,本发明实施例还提供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任一所述的对短视频打标签的方法。
本发明实施例提供的对短视频打标签的方法、装置及电子设备,通过从待打标签短视频中提取待识别图像;然后判断待识别图像是否包含预设实体;如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。这样可以将短视频打上一个初步的推荐标签,打标签人员可以在此基础上将该短视频进一步划分到一个更具体标签上。由于打标签人员得到的是推荐标签,再根据推荐标签对短视频打标签,给短视频打标签时可以不完全依赖于打标签人员的主观判断,可以提高对短视频打出的标签的准确性。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的一种对短视频打标签的方法流程图;
图2为短视频标签体系结构的一种示意图;
图3为短视频标签体系的一种具体结构框图;
图4为图1所示实施例中步骤101的一种具体流程图;
图5为图1所示实施例中步骤102中判断待识别图像是否包含预设实体的方法流程图;
图6为图5所示实施例中训练获得实体识别模型的具体流程图;
图7为本发明实施例提供的一种对短视频打标签的装置结构示意图;
图8为本发明实施例提供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描述。
为了提高对短视频打出的标签的准确性,本发明实施例公开了一种对短视频打标签的方法、装置及电子设备,以下进行详细说明。
参见图1,图1为本发明实施例提供的一种对短视频打标签的方法流程图,包括以下步骤:
步骤101:从待打标签短视频中提取待识别图像。
本步骤中,可以使用播放视频软件的捕获功能,从待打标签短视频中提取至少一帧图像帧,并将提取的该图像帧确定待识别图像。
本发明实施例中,具体可以使用播放器(kmplayer)的捕获功能,当然也可以使用其他播放器的捕获功能,本发明实施例对提取图像帧的工具不做限定。
步骤102:判断待识别图像是否包含预设实体。
在本发明实施例中,预设实体是指视频帧中的特定对象,例如:视频画面中的物体、动物或人员等,例如:足球或滑板等,熊猫、老虎或长颈鹿等,以及运动员、厨师或军人等。
由于上述提取得到的待识别图像中不一定包含预设实体,因此在本步骤中,可以利用预设的图像识别算法,检测待识别图像中是否包含预设实体,达到判断待识别图像是否包含预设实体的目的。其中,预设的图像识别算法可以采用已有的识别算法来进行识别。
另外,本发明实施例中可以通过训练后的预设神经网络模型对待识别图像进行识别,来判断待识别图像中是否包含预设实体。
步骤103:如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。
一种实施方式中,根据预设实体与标签的对应关系,获得与预设实体对应的推荐标签;其中,推荐标签包括:抽象标签和/或具体标签。一般的标签会有多级,通常是按预设的体系结构来打,参见图2,图2为短视频标签体系结构一种示意图,其包含三级标签,分别为一级分类、二级分类及三级分类,整体结构为树状结构。目前对短视频打的标签有两类,具体的标签和抽象的标签,其中一级分类与二级分类属于抽象的标签,三级分类属于具体的标签。其典型的标签体系如图3所示,其中一级标签为体育运动;一级标签下有二级标签,包括:竞技体育、休闲运动和极限运动;二级标签竞技体育下有三级标签:足球和篮球;二级标签休闲运动下有三级标签:滑板和轮滑;二级标签极限运动下有三级标签:蹦极、跑酷和轮滑。
可选的,可以通过预设实体与标签的对应表来实现。预设实体与标签的对应表示例,如表一所示:
表一:
在识别出预设实体后,根据预设实体与标签的对应关系获得预设实体对应的标签作为推荐标签。推荐标签可以包括一级标签、二级标签、三级标签或其组合,本发明实施例对具体的推荐标签不做限定。
本步骤中,在获得与预设实体相对应的推荐标签后,将获得的推荐标签展示给打标签人员,可以采用在短视频标签体系中高亮显示推荐标签给打标签人员的方式,供打标签人员确定最终的标签。例如:基于表一所示的示例,假设识别出的预设实体有足球,则可以显示图3所示的标签体系,并将其中的“足球”高亮显示。当然,也可以将“足球”上一级的“竞技体育”和再上一级的“体育运动”同时高亮显示。
本发明实施例提供的短视频打标签的方法,通过从待打标签短视频中提取待识别图像;然后判断待识别图像是否包含预设实体;如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。这样可以将短视频打上一个初步的推荐标签,打标签人员可以在此基础上将该短视频进一步划分到一个更具体标签上。由于打标签人员得到的是推荐标签,再根据推荐标签对短视频打标签,给短视频打标签时可以不完全依赖于打标签人员的主观判断,可以提高对短视频打出的标签的准确性。
参见图4,图4为图1所示实施例中步骤101的一种具体流程图,包括:
步骤401:每隔预设时间段,从待打标签短视频中提取图像帧。
本步骤中,根据待打标签短视频的时长,可以采用时长均分方法提取待打标签短视频中的图像帧。比如待打标签短视频的时长为50秒,可以设置每隔1或2秒从待打标签短视频的1至50秒中提取图像帧。当然也可以使用其他提取图像帧的方法,本发明实施例对具体的提取方法不做限定。
步骤402:去除提取的各图像帧中画面相同的图像帧,并将剩余的图像帧作为待识别图像。
本步骤中,首先读取步骤401中提取的图像帧的原始数据,并对各原始数据进行对比分析,去除原始数据一致的图像帧,即画面相同的图像帧,将剩余的图像帧作为待识别图像。
示例性的,分别获取提取的各图像帧的二进制数据,对比各图像帧的二进制数据,获取二进制数据相同的图像帧。在二进制相同的图像帧中只保留其中一个图像帧。
示例性的,分别获取提取的各图像帧的灰度图像,对比各图像帧的灰度图像,获取灰度图像相同的图像帧。在灰度图像相同的图像帧中只保留其中一个图像帧。
例如:提取了5个图像帧,分别为:帧1、帧2、帧3、帧4和帧5。其中,二进制数据相同的图像帧为:帧1、帧2和帧3。则保留帧1,将帧2和帧3删除。将帧1、帧4和帧5作为待识别图像。
可见,本发明实施例中每隔预设时间段,从待打标签短视频中提取一帧图像帧,然后去除提取的各图像帧中画面相同的图像帧,再将剩余的图像帧作为待识别图像。采用时长均分方法获取图像帧,可以提高待打标签短视频的实体的实体图像覆盖率,进一步提高实体的实体图像识别的准确性。并且去除提取的图像帧中的画面相同的图像帧,可以减少实体的实体图像识别的工作量,提高工作效率。
参见图5,图5为图1所示实施例中步骤102中判断待识别图像是否包含预设实体的方法流程图,包括:
步骤501:将待识别图像输入实体识别模型。
本步骤中,实体识别模型可以为预先以包含预设实体的图像作为样本图像训练的神经网络模型。
步骤502:判断实体识别模型对待识别图像进行识别后是否输出了包含预设实体的实体图像信息。
步骤503:如果输出了包含预设实体的实体图像信息,则确定待识别图像包含预设实体。
示例性的,若实体识别模型输出了“足球”,则确定待识别图像包含预设实体。
步骤504:如果未输出包含预设实体的实体图像信息,则确定待识别图像不包含预设实体。
示例性的,若实体识别模型未输出表一中任一预设实体的实体图像信息,则确定待识别图像不包含预设实体。
本发明实施中,将待识别图像作为输入,经过实体识别模型的识别,获得待识别图像的输出结果,即采用的是输入到输出一体化的算法。可以快速地对输入的待识别图像做识别,得到待识别图像中是否包含预设实体的实体图像信息。
参见图6,图6为图5所示实施例中训练获得实体识别模型的具体流程图,包括:
步骤601:获取预设数量的样本图像。
其中,各个样本图像中包含各个预设实体的图像。
本步骤中,预设一定数量的包含各个预设实体的图像作为训练的样本图像,样本图像数量越多,通过训练获得的实体识别模型越精确。
步骤602:将各个样本图像输入预设的预设神经网络模型,对预设神经网络模型进行训练。
其中,预设神经网络模型的参数为初始参数值。
本步骤中,可以先提取样本图像中预设实体的实体图像的关键点特征,根据预设实体的实体图像的关键点特征,预设初始参数值建立初始神经网络模型。
步骤603:获得预设神经网络模型输出的预测的实体的实体图像信息。
本步骤中,经过初始神经网络模型输出的预测的实体的实体图像信息可能有正确的,也可能有错误的。这是由于初始神经网络未经过训练,所以可能预测不准确。
步骤604:判断预设神经网络模型是否收敛。
本步骤中,根据预测的实体的实体图像信息、样本图像中包含的预设实体和预设的损失函数,判断预设神经网络模型是否收敛,如果是,则执行步骤605,如果否,则执行步骤606后返回步骤602。
步骤605:将预设神经网络模型作为训练好的实体识别模型。
本步骤中,根据步骤604判断的预设神经网络模型收敛,则将预设神经网络模型作为训练好的实体识别模型。
步骤606:调整预设神经网络模型的参数。
本步骤中,根据步骤604判断的预设神经网络模型没有收敛,则调整预设神经网络模型的参数,并返回步骤602直到判断出预设神经网络模型收敛,获得训练好的实体识别模型。
本发明实施例中,首先获取预设数量的样本图像,其中各个样本图像中包含各个预设实体的图像,然后将各个样本图像输入预设的预设神经网络模型,对预设神经网络模型进行训练,其中,预设神经网络模型的参数为初始参数值。随后获得预设神经网络模型输出的预测的实体的实体图像信息,随后根据预测的实体的实体图像信息、样本图像中包含的预设实体的图像和预设的损失函数,判断出预设神经网络模型是否收敛,最后根据判断的结果,将预设神经网络模型作为训练好的实体识别模型或者调整预设神经网络模型的参数再次训练,直至获得训练好的实体识别模型。通过预先训练好的实体识别模型,对从待打标签短视频中提取的待识别图像进行一一识别,获得待打标签短视频中预设实体的实体图像信息。相比完全依赖人工的方式,可以快速准确地对待打标签短视频中预设实体进行识别,提高了对短视频打出的标签的准确性。
对应于上述方法实施例,参见图7,图7为本发明实施例提供的一种对短视频打标签的装置结构示意图,包括:图像提取模块701、判断模块702和获得模块703。
图像提取模块701,用于从待打标签短视频中提取待识别图像;
判断模块702,用于判断待识别图像是否包含预设实体;
获得模块703,用于如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。
具体的,图像提取模块701,可以包括:
图像帧提取单元,用于每隔预设时间段,从待打标签短视频中提取图像帧;
图像帧去重单元,用于去除提取的图像帧中画面相同的图像帧,并将剩余的图像帧作为待识别图像。
具体的,判断模块702,可以包括:
图像输入单元,用于将待识别图像输入实体识别模型;实体识别模型为预先以包含预设实体的图像作为样本训练的神经网络模型;
判断单元,用于判断实体识别模型对待识别图像进行识别后是否输出了包含预设实体的实体图像信息;
第一确定单元,用于如果输出了包含预设实体的实体图像信息,则确定待识别图像包含预设实体;
第二确定单元,用于如果未输出包含预设实体的实体图像信息,则确定待识别图像不包含预设实体。
具体的,该装置还可以包括:实体识别模型训练模块;实体识别模型训练模块,包括:
样本图像获取单元,用于获取预设数量的样本图像,其中各个样本图像中包含各个预设实体的图像;
样本图像输入单元,用于将各个样本图像输入预设的预设神经网络模型,对预设神经网络模型进行训练;预设神经网络模型的参数为初始参数值;
实体图像信息输出单元,用于获得预设神经网络模型输出的预测的实体的实体图像信息;
收敛判断单元,用于根据预测的实体的实体图像信息、样本图像中包含的预设实体的图像和预设的损失函数,判断预设神经网络模型是否收敛;
实体识别模型确定单元,用于在判断出预设神经网络模型收敛时,将预设神经网络模型作为训练好的实体识别模型;
参数调整单元,用于在判断出预设神经网络模型不收敛时,调整预设神经网络模型的参数,触发样本图像输入单元。
具体的,获得模块703,可以具体用于:
根据预设实体与标签的对应关系,获得与预设实体对应的推荐标签;推荐标签包括:抽象标签和/或具体标签。
本发明实施例提供的对短视频打标签的装置,通过从待打标签短视频中提取待识别图像;然后判断待识别图像是否包含预设实体;如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。这样可以将短视频打上一个初步的推荐标签,打标签人员可以在此基础上将该短视频进一步划分到一个更具体标签上。由于打标签人员得到的是推荐标签,再根据推荐标签对短视频打标签,给短视频打标签时可以不完全依赖于打标签人员的主观判断,可以提高对短视频打出的标签的准确性。
本发明实施例还提供了一种电子设备,可以是服务器,计算机等电子产品。
参见图8,图8为本发明实施例提供的一种电子设备结构图,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
从待打标签短视频中提取待识别图像;
判断待识别图像是否包含预设实体;
如果待识别图像包含预设实体,获得与预设实体相对应的推荐标签。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的方法实施例,在此不做赘述。
另外,处理器801执行存储器803上所存放的程序而实现的一种对短视频打标签的方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器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,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该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任一所述的一种对短视频打标签的方法步骤。
在本发明提供的又一实施例中,还提供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实施例中任一所述的一种对短视频打标签的方法。
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 (11)
1.一种对短视频打标签的方法,其特征在于,所述方法包括:
从待打标签短视频中提取待识别图像;
判断所述待识别图像是否包含预设实体;
如果所述待识别图像包含预设实体,获得与所述预设实体相对应的推荐标签。
2.根据权利要求1所述的方法,其特征在于,所述从待打标签短视频中提取待识别图像,包括:
每隔预设时间段,从所述待打标签短视频中提取图像帧;
去除提取的各图像帧中画面相同的图像帧,并将剩余的图像帧作为待识别图像。
3.根据权利要求1所述的方法,其特征在于,所述判断所述待识别图像是否包含预设实体,包括:
将所述待识别图像输入实体识别模型;所述实体识别模型为预先以包含预设实体的图像作为样本图像训练的神经网络模型;
判断所述实体识别模型对待识别图像进行识别后是否输出了包含预设实体的实体图像信息;
如果输出了包含预设实体的实体图像信息,则确定所述待识别图像包含预设实体;
如果未输出包含预设实体的实体图像信息,则确定所述待识别图像不包含预设实体。
4.根据权利要求3所述的方法,其特征在于,所述实体识别模型,采用如下步骤训练获得:
获取预设数量的样本图像,其中各个样本图像中包含各个预设实体的图像;
将各个样本图像输入预设的预设神经网络模型,对所述预设神经网络模型进行训练,所述预设神经网络模型的参数为初始参数值;
获得预设神经网络模型输出的预测的实体图像信息;
根据所述预测的实体图像信息、样本图像中包含的预设实体的图像和预设的损失函数,判断预设神经网络模型是否收敛;
如果是,则将预设神经网络模型作为训练好的实体识别模型;
否则,调整预设神经网络模型的参数,返回所述将各个样本图像输入预设的预设神经网络模型的步骤。
5.根据权利要求1所述的方法,其特征在于,所述获得与所述预设实体相对应的推荐标签,包括:
根据预设实体与标签的对应关系,获得与所述预设实体对应的推荐标签;所述推荐标签包括:抽象标签和/或具体标签。
6.一种对短视频打标签的装置,其特征在于,所述装置包括:
图像提取模块,用于从待打标签短视频中提取待识别图像;
判断模块,用于判断所述待识别图像是否包含预设实体;
获得模块,用于如果所述待识别图像包含预设实体,获得与所述预设实体相对应的推荐标签。
7.根据权利要求6所述的装置,其特征在于,所述图像提取模块,包括:
图像帧提取单元,用于每隔预设时间段,从所述待打标签短视频中提取图像帧;
图像帧去重单元,用于去除提取的图像帧中画面相同的图像帧,并将剩余的图像帧作为待识别图像。
8.根据权利要求6所述的装置,其特征在于,所述判断模块,包括:
图像输入单元,用于将所述待识别图像输入实体识别模型;所述实体识别模型为预先以包含预设实体的图像作为样本图像训练的神经网络模型;
判断单元,用于判断所述实体识别模型对待识别图像进行识别后是否输出了包含预设实体的实体图像信息;
第一确定单元,用于如果输出了包含预设实体的实体图像信息,则确定所述待识别图像包含预设实体;
第二确定单元,用于如果未输出包含预设实体的实体图像信息,则确定所述待识别图像不包含预设实体。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:实体识别模型训练模块;所述实体识别模型训练模块,包括:
样本图像获取单元,用于获取预设数量的样本图像,其中各个样本图像中包含各个预设实体的图像;
样本图像输入单元,用于将各个样本图像输入预设的预设神经网络模型;对所述预设神经网络模型进行训练,所述预设神经网络模型的参数为初始参数值;
实体图像信息输出单元,用于获得预设神经网络模型输出的预测的实体的实体图像信息;
收敛判断单元,用于根据所述预测的实体的实体图像信息、样本图像中包含的预设实体的图像和预设的损失函数,判断预设神经网络模型是否收敛;
实体识别模型确定单元,用于在判断出预设神经网络模型收敛时,将预设神经网络模型作为训练好的实体识别模型;
参数调整单元,用于在判断出预设神经网络模型不收敛时,调整预设神经网络模型的参数,触发所述样本图像输入单元。
10.根据权利要求6所述的装置,其特征在于,所述获得模块,具体用于:
根据预设实体与标签的对应关系,获得与所述预设实体对应的推荐标签;所述推荐标签包括:抽象标签和/或具体标签。
11.一种电子设备,其特征在于包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534724.9A CN109740019A (zh) | 2018-12-14 | 2018-12-14 | 一种对短视频打标签的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534724.9A CN109740019A (zh) | 2018-12-14 | 2018-12-14 | 一种对短视频打标签的方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740019A true CN109740019A (zh) | 2019-05-10 |
Family
ID=66359789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811534724.9A Pending CN109740019A (zh) | 2018-12-14 | 2018-12-14 | 一种对短视频打标签的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740019A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110139158A (zh) * | 2019-06-21 | 2019-08-16 | 上海摩象网络科技有限公司 | 视频以及子视频的生成方法、装置、电子设备 |
CN110263776A (zh) * | 2019-06-11 | 2019-09-20 | 南京邮电大学 | 一种设备识别系统及方法 |
CN111160279A (zh) * | 2019-12-31 | 2020-05-15 | 武汉星巡智能科技有限公司 | 利用小样本生成目标识别模型的方法、装置、设备及介质 |
CN111291224A (zh) * | 2020-02-17 | 2020-06-16 | 北京奇艺世纪科技有限公司 | 视频流数据处理方法、装置、服务器及存储介质 |
CN111541939A (zh) * | 2020-04-30 | 2020-08-14 | 北京奇艺世纪科技有限公司 | 一种视频拆分方法、装置、电子设备及存储介质 |
CN112131417A (zh) * | 2019-06-25 | 2020-12-25 | 北京百度网讯科技有限公司 | 图像标签生成方法及装置 |
CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
CN113095346A (zh) * | 2020-01-08 | 2021-07-09 | 华为技术有限公司 | 数据标注的方法以及数据标注的装置 |
CN113673427A (zh) * | 2021-08-20 | 2021-11-19 | 北京达佳互联信息技术有限公司 | 视频识别确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649855A (zh) * | 2016-12-30 | 2017-05-10 | 中广热点云科技有限公司 | 一种视频标签的添加方法和添加系统 |
CN108090497A (zh) * | 2017-12-28 | 2018-05-29 | 广东欧珀移动通信有限公司 | 视频分类方法、装置、存储介质及电子设备 |
WO2018152532A1 (en) * | 2017-02-20 | 2018-08-23 | Alibaba Group Holding Linited | Type prediction method, apparatus and electronic device for recognizing an object in an image |
CN108491543A (zh) * | 2018-03-30 | 2018-09-04 | 广州汇智通信技术有限公司 | 图像检索方法、图像存储方法及图像检索系统 |
CN108664989A (zh) * | 2018-03-27 | 2018-10-16 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
-
2018
- 2018-12-14 CN CN201811534724.9A patent/CN109740019A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649855A (zh) * | 2016-12-30 | 2017-05-10 | 中广热点云科技有限公司 | 一种视频标签的添加方法和添加系统 |
WO2018152532A1 (en) * | 2017-02-20 | 2018-08-23 | Alibaba Group Holding Linited | Type prediction method, apparatus and electronic device for recognizing an object in an image |
CN108090497A (zh) * | 2017-12-28 | 2018-05-29 | 广东欧珀移动通信有限公司 | 视频分类方法、装置、存储介质及电子设备 |
CN108664989A (zh) * | 2018-03-27 | 2018-10-16 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN108491543A (zh) * | 2018-03-30 | 2018-09-04 | 广州汇智通信技术有限公司 | 图像检索方法、图像存储方法及图像检索系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263776A (zh) * | 2019-06-11 | 2019-09-20 | 南京邮电大学 | 一种设备识别系统及方法 |
CN110263776B (zh) * | 2019-06-11 | 2022-09-16 | 南京邮电大学 | 一种设备识别系统及方法 |
CN110139158A (zh) * | 2019-06-21 | 2019-08-16 | 上海摩象网络科技有限公司 | 视频以及子视频的生成方法、装置、电子设备 |
CN110139158B (zh) * | 2019-06-21 | 2021-04-02 | 上海摩象网络科技有限公司 | 视频以及子视频的生成方法、装置、电子设备 |
CN112131417B (zh) * | 2019-06-25 | 2024-04-02 | 北京百度网讯科技有限公司 | 图像标签生成方法及装置 |
CN112131417A (zh) * | 2019-06-25 | 2020-12-25 | 北京百度网讯科技有限公司 | 图像标签生成方法及装置 |
CN111160279A (zh) * | 2019-12-31 | 2020-05-15 | 武汉星巡智能科技有限公司 | 利用小样本生成目标识别模型的方法、装置、设备及介质 |
WO2021139191A1 (zh) * | 2020-01-08 | 2021-07-15 | 华为技术有限公司 | 数据标注的方法以及数据标注的装置 |
CN113095346A (zh) * | 2020-01-08 | 2021-07-09 | 华为技术有限公司 | 数据标注的方法以及数据标注的装置 |
CN111291224A (zh) * | 2020-02-17 | 2020-06-16 | 北京奇艺世纪科技有限公司 | 视频流数据处理方法、装置、服务器及存储介质 |
CN111541939A (zh) * | 2020-04-30 | 2020-08-14 | 北京奇艺世纪科技有限公司 | 一种视频拆分方法、装置、电子设备及存储介质 |
CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
CN113673427A (zh) * | 2021-08-20 | 2021-11-19 | 北京达佳互联信息技术有限公司 | 视频识别确定方法、装置、电子设备及存储介质 |
CN113673427B (zh) * | 2021-08-20 | 2024-03-22 | 北京达佳互联信息技术有限公司 | 视频识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740019A (zh) | 一种对短视频打标签的方法、装置及电子设备 | |
CN110941990B (zh) | 基于骨骼关键点进行人体动作评估的方法和装置 | |
CN109766872B (zh) | 图像识别方法和装置 | |
CN109145784B (zh) | 用于处理视频的方法和装置 | |
CN105893478B (zh) | 一种标签提取方法及设备 | |
CN107742100B (zh) | 一种考生身份验证方法及终端设备 | |
CN107515825B (zh) | 流畅度测试方法和装置、存储介质、终端 | |
CN104679818B (zh) | 一种视频关键帧提取方法及系统 | |
CN107404656B (zh) | 直播视频推荐方法、装置及服务器 | |
CN109862394A (zh) | 视频内容的审核方法、装置、设备和存储介质 | |
CN107895367A (zh) | 一种骨龄识别方法、系统及电子设备 | |
CN109522822A (zh) | 一种视频检测方法及装置 | |
CN110278485B (zh) | 一种评估视频质量的方法及装置 | |
CN109522775A (zh) | 人脸属性检测方法、装置及电子设备 | |
CN108596338A (zh) | 一种神经网络训练集的获取方法及其系统 | |
CN110442712A (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
CN108197190A (zh) | 一种用户识别的方法和装置 | |
CN114937232A (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
CN111488847B (zh) | 体育比赛视频进球片段获取系统及方法、终端 | |
CN113440789A (zh) | 一种多人跳绳测试智能计数方法及系统 | |
CN113642466B (zh) | 活体检测和模型训练方法、设备及介质 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN110163837A (zh) | 视频噪点识别方法、装置、设备及计算机可读存储介质 | |
CN111611781B (zh) | 数据标注方法、问答方法、装置及电子设备 | |
CN109948614B (zh) | 一种基于机器学习的手腕骨兴趣区域切割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |