CN110502665A - 视频处理方法和装置 - Google Patents

视频处理方法和装置 Download PDF

Info

Publication number
CN110502665A
CN110502665A CN201910794759.4A CN201910794759A CN110502665A CN 110502665 A CN110502665 A CN 110502665A CN 201910794759 A CN201910794759 A CN 201910794759A CN 110502665 A CN110502665 A CN 110502665A
Authority
CN
China
Prior art keywords
video
quality type
quality
type
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.)
Granted
Application number
CN201910794759.4A
Other languages
English (en)
Other versions
CN110502665B (zh
Inventor
李甫
何栋梁
周志超
孙昊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910794759.4A priority Critical patent/CN110502665B/zh
Publication of CN110502665A publication Critical patent/CN110502665A/zh
Application granted granted Critical
Publication of CN110502665B publication Critical patent/CN110502665B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream

Abstract

本申请实施例公开了视频处理方法和装置。该方法的一具体实施方式包括：获取目标视频，提取该目标视频的图像特征和音频特征；将该图像特征和该音频特征输入预先训练的视频分类模型，得到从该视频分类模型输出的该目标视频的质量类型，其中，该视频分类模型用于将视频分为不同的质量类型。本申请实施例通过图像特征和音频特征共同参与视频的分类，并利用视频分类模型进行准确的质量类型划分，从而能够准确地区分出不同质量类型的视频。

Description

视频处理方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及视频处理方法和装置。
背景技术
随着视频技术的日趋成熟，越来越多的视频网站涌现出来。用户可以向云端上传自己的视频，以分享自己的拍摄作品。相应地，其他用户则可以观看这些视频。
在相关技术中，因为用户拍摄和制作视频的水平参差不齐，所以，在用户上传的视频中可能存在一些质量较差的视频，比如，画面模糊、晃动的视频等。
发明内容
本申请实施例提出了视频处理方法和装置。
第一方面，本申请实施例提供了一种视频处理方法，包括：获取目标视频，提取目标视频的图像特征和音频特征；将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，其中，视频分类模型用于将视频分为不同的质量类型。
在一些实施例中，质量类型中存在第一质量类型和第二质量类型，第一质量类型指示的质量优于第二质量类型指示的质量，第一质量类型中存在至少两个内容主题类型；得到从视频分类模型输出的目标视频的质量类型，包括：得到从视频分类模型输出的目标视频的内容主题类型或第二质量类型，其中，视频分类模型用于将视频确定为第二质量类型，或第一质量类型中的至少两个内容主题类型之一。
在一些实施例中，视频分类模型的训练步骤包括：获取多个视频特征样本以及各视频特征样本的质量类型标注，其中，视频特征样本包括图像特征和音频特征，视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频特征样本输入初始视频分类模型，得到初始视频分类模型输出的质量类型预测结果，基于质量类型预测结果和质量类型标注，对初始视频分类模型进行训练，得到视频分类模型，其中，质量类型预测结果是第一质量类型中的至少两个内容主题类型之一或第二质量类型。
在一些实施例中，第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
在一些实施例中，视频分类模型包括第一长短期记忆网络和第二长短期记忆网络、第一自注意力网络和第二自注意力网络、预设全连接层；以及将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，包括：将图像特征输入第一长短期记忆网络，得到第一向量，以及将音频特征输入第二长短期记忆网络，得到第二向量；将第一向量输入第一自注意力网络，得到第一处理结果，将第二向量输入第二自注意力网络，得到第二处理结果，以及对第一处理结果和第二处理结果进行拼接，得到连接结果；将连接结果输入预设全连接层，得到目标视频的质量类型。
在一些实施例中，长短期记忆网络为双向长短期记忆网络；以及将图像特征输入第一长短期记忆网络，得到第一向量，包括：将图像特征输入第一双向长短期记忆网络，得到图像特征的正向处理结果和反向处理结果，将图像特征的正向处理结果和反向处理结果拼接为第一向量；以及将音频特征输入第二长短期记忆网络，得到第二向量，包括：将音频特征输入第二双向长短期记忆网络，得到音频特征的正向处理结果和反向处理结果，将音频特征的正向处理结果和反向处理结果拼接为第二向量。
在一些实施例中，提取目标视频的图像特征和音频特征，包括：将目标视频的图像输入预先训练的第一残差网络，得到从第一残差网络输出的图像特征，其中，第一残差网络用于对图像划分质量类型；将目标视频的音频输入预先训练的第二残差网络，得到从第二残差网络输出的音频特征，其中，第二残差网络用于对音频划分质量类型。
在一些实施例中，第一残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中各个图像的质量类型标注，质量类型标注用于指示图像属于第一质量类型或属于第二质量类型，其中，视频中各个图像的质量类型标注一致，图像的质量类型标注用于指示图像属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个图像输入初始第一残差网络，基于初始第一残差网络输出的质量类型预测结果和各个图像的质量类型标注，对初始第一残差网络进行训练，得到第一残差网络。
在一些实施例中，第二残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中单位时长的音频的质量类型标注，音频的质量类型标注用于指示音频属于第一质量类型或属于第二质量类型，其中，视频中各个音频的质量类型标注一致，音频的质量类型标注用于指示音频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个音频输入初始第二残差网络，基于初始第二残差网络输出的质量类型预测结果和各个音频的质量类型标注，对初始第二残差网络进行训练，得到第二残差网络。
第二方面，本申请实施例提供了一种视频处理装置，包括：获取单元，被配置成获取目标视频，提取目标视频的图像特征和音频特征；确定单元，被配置成将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，其中，视频分类模型用于将视频分为不同的质量类型。
在一些实施例中，质量类型中存在第一质量类型和第二质量类型，第一质量类型指示的质量优于第二质量类型指示的质量，第一质量类型中存在至少两个内容主题类型；确定单元，包括：第一确定模块，被配置成得到从视频分类模型输出的目标视频的内容主题类型或第二质量类型，其中，视频分类模型用于将视频确定为第二质量类型，或第一质量类型中的至少两个内容主题类型之一。
在一些实施例中，视频分类模型的训练步骤包括：获取多个视频特征样本以及各视频特征样本的质量类型标注，其中，视频特征样本包括图像特征和音频特征，视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频特征样本输入初始视频分类模型，得到初始视频分类模型输出的质量类型预测结果，基于质量类型预测结果和质量类型标注，对初始视频分类模型进行训练，得到视频分类模型，其中，质量类型预测结果是第一质量类型中的至少两个内容主题类型之一或第二质量类型。
在一些实施例中，第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
在一些实施例中，视频分类模型包括第一长短期记忆网络和第二长短期记忆网络、第一自注意力网络和第二自注意力网络、预设全连接层；以及确定单元，包括：第二确定模块，被配置成将图像特征输入第一长短期记忆网络，得到第一向量，以及将音频特征输入第二长短期记忆网络，得到第二向量；第三确定模块，被配置成将第一向量输入第一自注意力网络，得到第一处理结果，将第二向量输入第二自注意力网络，得到第二处理结果，以及对第一处理结果和第二处理结果进行拼接，得到连接结果；第四确定模块，被配置成将连接结果输入预设全连接层，得到目标视频的质量类型。
在一些实施例中，长短期记忆网络为双向长短期记忆网络；以及第二确定模块进一步被配置成按照如下方式执行将图像特征输入第一长短期记忆网络，得到第一向量：将图像特征输入第一双向长短期记忆网络，得到图像特征的正向处理结果和反向处理结果，将图像特征的正向处理结果和反向处理结果拼接为第一向量；以及第二确定模块进一步被配置成按照如下方式执行将音频特征输入第二长短期记忆网络，得到第二向量：将音频特征输入第二双向长短期记忆网络，得到音频特征的正向处理结果和反向处理结果，将音频特征的正向处理结果和反向处理结果拼接为第二向量。
在一些实施例中，获取单元进一步被配置成：将目标视频的图像输入预先训练的第一残差网络，得到从第一残差网络输出的图像特征，其中，第一残差网络用于对图像划分质量类型；将目标视频的音频输入预先训练的第二残差网络，得到从第二残差网络输出的音频特征，其中，第二残差网络用于对音频划分质量类型。
在一些实施例中，第一残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中各个图像的质量类型标注，质量类型标注用于指示图像属于第一质量类型或属于第二质量类型，其中，视频中各个图像的质量类型标注一致，图像的质量类型标注用于指示图像属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个图像输入初始第一残差网络，基于初始第一残差网络输出的质量类型预测结果和各个图像的质量类型标注，对初始第一残差网络进行训练，得到第一残差网络。
在一些实施例中，第二残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中单位时长的音频的质量类型标注，音频的质量类型标注用于指示音频属于第一质量类型或属于第二质量类型，其中，视频中各个音频的质量类型标注一致，音频的质量类型标注用于指示音频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个音频输入初始第二残差网络，基于初始第二残差网络输出的质量类型预测结果和各个音频的质量类型标注，对初始第二残差网络进行训练，得到第二残差网络。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如视频处理方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如视频处理方法中任一实施例的方法。
本申请实施例提供的视频处理方案，首先，获取目标视频，提取目标视频的图像特征和音频特征。之后，将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，其中，视频分类模型用于将视频分为不同的质量类型。本申请实施例通过图像特征和音频特征共同参与视频的分类，并利用视频分类模型进行准确的质量类型划分，从而能够准确地区分出不同质量类型的视频。
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，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的视频处理方法的一个实施例的流程图；
图3是根据本申请的视频处理方法的一个应用场景的示意图；
图4是根据本申请的视频处理方法的又一个实施例的流程图；
图5是根据本申请的视频处理装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请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申请。
图1示出了可以应用本申请的视频处理方法或视频处理装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的目标视频等数据进行分析等处理，并将处理结果(例如目标视频的质量类型)反馈给终端设备。
需要说明的是，本申请实施例所提供的视频处理方法可以由服务器105或者终端设备101、102、103执行，相应地，视频处理装置可以设置于服务器105或者终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的视频处理方法的一个实施例的流程200。该视频处理方法，包括以下步骤：
步骤201，获取目标视频，提取目标视频的图像特征和音频特征。
在本实施例中，视频处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取目标视频，并提取该目标视频的图像特征和音频特征。具体地，这里的图像特征可以是特征图(feature map)，比如，可以是利用深度神经网络的卷积层提取的，此外，图像特征也可以经过了其他处理层的处理。音频特征可以是利用滤波器组(filter bank)提取的特征。在实践中，所提取的音频特征可以反映音频的频谱、音调等信息。
步骤202，将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，其中，视频分类模型用于将视频分为不同的质量类型。
在本实施例中，上述执行主体可以将提取的图像特征和音频特征，输入视频分类模型，以对目标视频的质量进行分类。具体地，上述执行主体可以得到从视频分类模型输出的目标视频的质量类型。这里的质量类型用于指示视频的成像质量。比如，视频的质量类型可以指示优质或劣质。质量类型可以是基于某个或者某些预设标准划分的，比如，画面中的对象的位置是否相对稳定、画面是否清晰。相应地，视频中的对象晃动，以及模糊的视频则为劣质视频。在实践中，视频分类模型可以包括用于二分类或多分类的深度神经网络。并且，视频分类模型中可以包括用于处理图像特征的深度神经网络，以及用于处理音频特征的深度神经网络。
继续参见图3，图3是根据本实施例的视频处理方法的应用场景的一个示意图。在图3的应用场景中，执行主体301可以获取目标视频302，提取目标视频的图像特征303和音频特征304。将图像特征303和音频特征304输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型“优质”305，其中，视频分类模型用于将视频分为不同的质量类型。
本申请的上述实施例提供的方法能够通过图像特征和音频特征共同参与视频的分类，并利用视频分类模型进行准确的质量类型划分，从而能够准确地区分出不同质量类型的视频。
进一步参考图4，其示出了视频处理方法的又一个实施例的流程400。该视频处理方法的流程400，包括以下步骤：
步骤401，获取目标视频，提取目标视频的图像特征和音频特征。
在本实施例中，视频处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取目标视频，并提取该目标视频的图像特征和音频特征。具体地，这里的图像特征可以是特征图，比如，可以是利用深度神经网络的卷积层等提取的。音频特征可以是利用滤波器组提取的特征。
步骤402，将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的内容主题类型或第二质量类型，其中，视频分类模型用于将视频确定为第二质量类型，或第一质量类型中的至少两个内容主题类型之一。
在本实施例中，质量类型中存在第一质量类型和第二质量类型，第一质量类型指示的质量优于第二质量类型指示的质量，第一质量类型的视频中存在至少两个内容主题类型的视频。上述执行主体可以将提取的图像特征和音频特征，输入视频分类模型，以对目标视频的质量进行分类。
在实践中，视频分类模型可以是一个多分类模型，该多分类模型可以将视频分为第一质量类型中至少两个内容主题类型的其中一个，或第二质量类型。这里的内容主题可以包括唱歌、舞蹈、情景剧等等。
举例来说，视频分类模型一共可以将视频分为100个类型，其中的1个类型是第二质量类型，指示劣质视频。其余的99个类型则都指示优质视频。这99个类型分别对应99个不同的内容主题。
在本实施例的一些可选的实现方式中，视频分类模型的训练步骤可以包括：
获取多个视频特征样本以及各视频特征样本的质量类型标注，视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于第一质量类型或属于第二质量类型，其中，指示第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，指示第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值；将视频特征样本输入初始视频分类模型，得到初始视频分类模型输出的质量类型预测结果，基于质量类型预测结果和质量类型标注，对初始视频分类模型进行训练，得到视频分类模型。
在这些可选的实现方式中，上述执行主体或者其他电子设备可以通过初试视频分类模型，得到对目标视频进行分类的视频分类模型。具体地，可以获取包括第一质量类型的视频的视频特征作为视频特征样本，以及获取包括第二质量类型的视频的视频特征作为视频特征样本。并且，上述执行主体可以获取对视频特征进行的标注，也即获取质量类型标注。
在本实施例的一些可选的实现方式中，视频分类模型的训练步骤可以包括：获取多个视频特征样本以及各视频特征样本的质量类型标注，其中，视频特征样本包括图像特征和音频特征，视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频特征样本输入初始视频分类模型，得到初始视频分类模型输出的质量类型预测结果，基于质量类型预测结果和质量类型标注，对初始视频分类模型进行训练，得到视频分类模型，其中，质量类型预测结果是第一质量类型中的至少两个内容主题类型之一或第二质量类型。
在这些可选的实现方式中，所获取的多个视频特征样本对应的多个视频可以属于第一质量类型中的至少两个内容主题类型以及第二质量类型。相应地，采用质量类型标注对其类型进行标注。这样，训练得到的视频分类模型可以将视频分为不同的内容主题。
在实践中，上述执行主体或者其他电子设备可以利用预设损失函数以及质量类型预测结果，确定损失值，继而利用损失值进行反向传播，以实现对初始视频分类模型的训练。这里的初始视频分类模型指有待于训练的视频分类模型。
这些实现方式可以在不同的内容主题下，确定视频的质量，从而避免不同内容主题的视频中，特征差异过大，质量相关的特征难以学习的问题。这样，训练得到的视频分类模型能够对视频的质量进行更加准确的分类。
在本实施例的一些可选的应用场景中，第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
在这些可选的应用场景中，在选取视频特征样本时，可以按照视频的播放量和用户互动数来选取。第一质量类型的视频的播放量对应的预设阈值，以及用户互动数对应的预设阈值可以是不同的。这里的用户互动数可以指用户对视频的评论数和/或点赞数。具体地，上述第一阈值可以小于播放量对应的预设阈值，上述第二阈值可以小于用户互动数对应的预设阈值。
举例来说，可以将(预设时间段内)播放量大于5万的视频的视频特征作为视频特征样本，并将该视频特征样本对应的质量类型标注确定为第一质量类型。还可以将评论数大于400的视频的视频特征对应的质量类型标注，确定为第一质量类型，并将点赞数大于500的视频的视频特征对应的质量类型标注，确定为第一质量类型。此外，还可以将播放量小于80、评论数小于20，以及点赞数小于20的视频的视频特征对应的质量类型标注，确定为第二质量类型。
这些应用场景可以利用点击量和用户互动数，获取到优质的训练样本，从而提高训练得到的视频分类模型的准确度。
在本实施例的一些可选的实现方式中，步骤401可以包括：将目标视频的图像输入预先训练的第一残差网络，得到从第一残差网络输出的图像特征，其中，第一残差网络用于对图像划分质量类型；将目标视频的音频输入预先训练的第二残差网络，得到从第二残差网络输出的音频特征，其中，第二残差网络用于对音频划分质量类型。
在这些可选的实现方式中，上述执行主体可以利用两个残差网络(ResNet)，分别确定视频中图像的图像特征，以及视频中音频的音频特征。上述的两个残差网络可以分别用于提取图像特征和音频特征。在这里，视频中的图像是视频中的图像帧，音频则是单位时长的音频，比如一秒的音频。在实践中，图像特征和音频特征可以是残差网络中任一能够输出特征的处理层输出的，比如该处理层可以是卷积层或者全连接层。
这些实现方式可以利用残差网络，分别对视频和音频准确地确定出特征，以在后续对视频确定出更加准确的质量类型。
在这些实现方式的一些可选的应用场景中，第一残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中各个图像的质量类型标注，质量类型标注用于指示图像属于第一质量类型或属于第二质量类型，其中，视频中各个图像的质量类型标注一致，图像的质量类型标注用于指示图像属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个图像输入初始第一残差网络，基于初始第一残差网络输出的质量类型预测结果和各个图像的质量类型标注，对初始第一残差网络进行训练，得到第一残差网络。
第二残差网络的训练步骤可以包括：获取多个视频样本，以及各视频样本中单位时长的音频的质量类型标注，音频的质量类型标注用于指示音频属于第一质量类型或属于第二质量类型，其中，视频中各个音频的质量类型标注一致，音频的质量类型标注用于指示音频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个音频输入初始第二残差网络，基于初始第二残差网络输出的质量类型预测结果和各个音频的质量类型标注，对初始第二残差网络进行训练，得到第二残差网络。
在这些可选的应用场景中，上述执行主体或者其他电子设备可以获取视频样本的各个图像，并输入第一残差网络中进行预测。此外，上述执行主体或者其他电子设备可以获取视频样本中的各个音频，比如获取每秒的音频，之后则可以输入第二残差网络中进行预测。继而，上述执行主体或者其他电子设备可以利用残差网络的预测结果，以及质量类型标注，生成损失值。并利用损失值进行反向传播，以实现对第一残差网络和第二残差网络的训练。
在视频样本中，第一质量类型的图像所在的视频的播放量和/或用户互动数达到预设阈值，第二质量类型的图像所在的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。并且，在视频样本中，第一质量类型的音频所在的视频的播放量和/或用户互动数达到预设阈值，第二质量类型的音频所在的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
这些应用场景中，残差网络可以实现对内容主题的分类，从而更准确地确定出图像以及音频的特征。
在本实施例中，因为视频分类模型可以在每一个内容主题下确定视频的质量，避免不同内容主题的视频之间特征差异大而导致的质量分类不准确。从而，本实施例可以提高视频分类模型的准确度。
在上述任一实施例的一些可选的实现方式中，视频分类模型包括第一长短期记忆网络和第二长短期记忆网络、第一自注意力网络和第二自注意力网络、预设全连接层；以及
上述将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，可以包括：将图像特征输入第一长短期记忆网络，得到第一向量，以及将音频特征输入第二长短期记忆网络，得到第二向量；将第一向量输入第一自注意力网络，得到第一处理结果，将第二向量输入第二自注意力网络，得到第二处理结果，以及对第一处理结果和第二处理结果进行拼接，得到连接结果；将连接结果输入预设全连接层，得到目标视频的质量类型。
在这些可选的实现方式中，上述执行主体可以将图像特征和音频特征分别输入视频分类模型中不同的长短期记忆(Long Short-Term Memory)网络，得到第一向量以及第二向量。之后，上述执行主体将第一向量和第二向量分别输入视频分类模型中不同的自注意力(self-attention)网络，得到第一处理结果和第二处理结果。之后，将这两个处理结果进行拼接，并将拼接结果输入预设全连接层。这里的全连接层的数量可以是一个或两个以上。若预设全连接层的数量为两个以上，各个全连接层可以是不相同的。
在实践中，自注意力网络可以获取每个视频特征以及音频特征的权重，并确定视频特征的加权平均值，以及确定音频特征的加权平均值。上述执行主体可以将这两个加权平均值分别作为上述第一处理结果和第二处理结果，也可以对这两个加权平均值进行处理(比如增大或减小)，最后得到上述第一处理结果和第二处理结果。
视频分类模型可以包括两个长短期记忆网络。这两个长短期记忆网络可以分别用于处理图像特征以及音频特征。并且，视频分类模型还可以包括两个自注意力网络，分别用于处理对应图像特征的第一向量以及对应音频特征的第二向量。
这些实现方式可以通过长短期记忆网络对图像特征以及音频特征进行准确的分析，并利用自注意力网络提取各个图像之间以及各个音频之间的联系，之后，利用全连接层更好地整合图像以及音频的特征，从而充分获取并利用视频中包含的各种特征，得到准确的质量类型。
在这些实现方式的一些可选的应用场景中，长短期记忆网络为双向长短期记忆网络；
将图像特征输入第一长短期记忆网络，得到第一向量，可以包括：将图像特征输入第一双向长短期记忆网络，得到图像特征的正向处理结果和反向处理结果，将图像特征的正向处理结果和反向处理结果拼接为第一向量；以及将音频特征输入第二长短期记忆网络，得到第二向量，可以包括：将音频特征输入第二双向长短期记忆网络，得到音频特征的正向处理结果和反向处理结果，将音频特征的正向处理结果和反向处理结果拼接为第二向量。
在这些可选的应用场景中，上述长短期记忆网络可以为双向长短期记忆网络。这样，上述执行主体可以利用两个双向长短期记忆网络，确定出正向处理结果以及反向处理结果，并进行拼接。
这些应用场景可以利用双向长短期记忆网络，确定出更加准确的第一向量以及第二向量，从而确定出准确的质量类型。
进一步参考图5，作为对上述各图所示方法的实现，本申请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2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装置500包括：获取单元501和确定单元502。其中，获取单元501，被配置成获取目标视频，提取目标视频的图像特征和音频特征；确定单元502，被配置成将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，其中，视频分类模型用于将视频分为不同的质量类型。
在一些实施例中，视频处理装置500的获取单元501可以获取目标视频，并提取该目标视频的图像特征和音频特征。具体地，这里的图像特征可以是特征图，比如，可以是利用深度神经网络的卷积层提取的，此外，图像特征也可以经过了其他处理层的处理。音频特征可以是利用滤波器组提取的特征。
在一些实施例中，确定单元502可以将提取的图像特征和音频特征，输入视频分类模型，以对目标视频的质量进行分类。具体地，上述执行主体可以得到从视频分类模型输出的目标视频的质量类型。这里的质量类型用于指示视频的成像质量。
在本实施例的一些可选的实现方式中，质量类型中存在第一质量类型和第二质量类型，第一质量类型指示的质量优于第二质量类型指示的质量，第一质量类型中存在至少两个内容主题类型；确定单元，包括：第一确定模块，被配置成得到从视频分类模型输出的目标视频的内容主题类型或第二质量类型，其中，视频分类模型用于将视频确定为第二质量类型，或第一质量类型中的至少两个内容主题类型之一。
在本实施例的一些可选的实现方式中，视频分类模型的训练步骤包括：获取多个视频特征样本以及各视频特征样本的质量类型标注，其中，视频特征样本包括图像特征和音频特征，视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频特征样本输入初始视频分类模型，得到初始视频分类模型输出的质量类型预测结果，基于质量类型预测结果和质量类型标注，对初始视频分类模型进行训练，得到视频分类模型，其中，质量类型预测结果是第一质量类型中的至少两个内容主题类型之一或第二质量类型。
在本实施例的一些可选的实现方式中，第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
在本实施例的一些可选的实现方式中，视频分类模型包括第一长短期记忆网络和第二长短期记忆网络、第一自注意力网络和第二自注意力网络、预设全连接层；以及确定单元，包括：第二确定模块，被配置成将图像特征输入第一长短期记忆网络，得到第一向量，以及将音频特征输入第二长短期记忆网络，得到第二向量；第三确定模块，被配置成将第一向量输入第一自注意力网络，得到第一处理结果，将第二向量输入第二自注意力网络，得到第二处理结果，以及对第一处理结果和第二处理结果进行拼接，得到连接结果；第四确定模块，被配置成将连接结果输入预设全连接层，得到目标视频的质量类型。
在本实施例的一些可选的实现方式中，长短期记忆网络为双向长短期记忆网络；以及第二确定模块进一步被配置成按照如下方式执行将图像特征输入第一长短期记忆网络，得到第一向量：将图像特征输入第一双向长短期记忆网络，得到图像特征的正向处理结果和反向处理结果，将图像特征的正向处理结果和反向处理结果拼接为第一向量；以及第二确定模块进一步被配置成按照如下方式执行将音频特征输入第二长短期记忆网络，得到第二向量：将音频特征输入第二双向长短期记忆网络，得到音频特征的正向处理结果和反向处理结果，将音频特征的正向处理结果和反向处理结果拼接为第二向量。
在本实施例的一些可选的实现方式中，获取单元进一步被配置成：将目标视频的图像输入预先训练的第一残差网络，得到从第一残差网络输出的图像特征，其中，第一残差网络用于对图像划分质量类型；将目标视频的音频输入预先训练的第二残差网络，得到从第二残差网络输出的音频特征，其中，第二残差网络用于对音频划分质量类型。
在本实施例的一些可选的实现方式中，第一残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中各个图像的质量类型标注，质量类型标注用于指示图像属于第一质量类型或属于第二质量类型，其中，视频中各个图像的质量类型标注一致，图像的质量类型标注用于指示图像属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个图像输入初始第一残差网络，基于初始第一残差网络输出的质量类型预测结果和各个图像的质量类型标注，对初始第一残差网络进行训练，得到第一残差网络。
在本实施例的一些可选的实现方式中，第二残差网络的训练步骤包括：获取多个视频样本，以及各视频样本中单位时长的音频的质量类型标注，音频的质量类型标注用于指示音频属于第一质量类型或属于第二质量类型，其中，视频中各个音频的质量类型标注一致，音频的质量类型标注用于指示音频属于第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；将视频样本的各个音频输入初始第二残差网络，基于初始第二残差网络输出的质量类型预测结果和各个音频的质量类型标注，对初始第二残差网络进行训练，得到第二残差网络。
如图6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6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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例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、或半导体的系统、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。在本公开的实施例中，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系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，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系统、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。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标视频，提取目标视频的图像特征和音频特征的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取目标视频，提取目标视频的图像特征和音频特征；将图像特征和音频特征输入预先训练的视频分类模型，得到从视频分类模型输出的目标视频的质量类型，其中，视频分类模型用于将视频分为不同的质量类型。
以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。

Claims (20)

1.一种视频处理方法，所述方法包括：
获取目标视频，提取所述目标视频的图像特征和音频特征；
将所述图像特征和所述音频特征输入预先训练的视频分类模型，得到从所述视频分类模型输出的所述目标视频的质量类型，其中，所述视频分类模型用于将视频分为不同的质量类型。
2.根据权利要求1所述的方法，其中，所述质量类型中存在第一质量类型和第二质量类型，第一质量类型指示的质量优于第二质量类型指示的质量，所述第一质量类型中存在至少两个内容主题类型；以及
所述得到从所述视频分类模型输出的所述目标视频的质量类型，包括：
得到从所述视频分类模型输出的所述目标视频的内容主题类型或第二质量类型，其中，所述视频分类模型用于将视频确定为所述第二质量类型，或所述第一质量类型中的至少两个内容主题类型之一。
3.根据权利要求2所述的方法，其中，所述视频分类模型的训练步骤包括：
获取多个视频特征样本以及各视频特征样本的质量类型标注，其中，所述视频特征样本包括图像特征和音频特征，所述视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于所述第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；
将视频特征样本输入初始视频分类模型，得到所述初始视频分类模型输出的质量类型预测结果，基于所述质量类型预测结果和所述质量类型标注，对所述初始视频分类模型进行训练，得到所述视频分类模型，其中，所述质量类型预测结果是所述第一质量类型中的至少两个内容主题类型之一或所述第二质量类型。
4.根据权利要求3所述的方法，其中，
所述第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，所述第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
5.根据权利要求1或2所述的方法，其中，所述视频分类模型包括第一长短期记忆网络和第二长短期记忆网络、第一自注意力网络和第二自注意力网络、预设全连接层；以及
所述将所述图像特征和所述音频特征输入预先训练的视频分类模型，得到从所述视频分类模型输出的所述目标视频的质量类型，包括：
将所述图像特征输入所述第一长短期记忆网络，得到第一向量，以及将所述音频特征输入所述第二长短期记忆网络，得到第二向量；
将所述第一向量输入所述第一自注意力网络，得到第一处理结果，将所述第二向量输入所述第二自注意力网络，得到第二处理结果，以及对所述第一处理结果和所述第二处理结果进行拼接，得到连接结果；
将所述连接结果输入所述预设全连接层，得到所述目标视频的质量类型。
6.根据权利要求5所述的方法，其中，所述长短期记忆网络为双向长短期记忆网络；以及
所述将所述图像特征输入所述第一长短期记忆网络，得到第一向量，包括：
将所述图像特征输入第一双向长短期记忆网络，得到所述图像特征的正向处理结果和反向处理结果，将所述图像特征的正向处理结果和反向处理结果拼接为所述第一向量；以及
所述将所述音频特征输入所述第二长短期记忆网络，得到第二向量，包括：
将所述音频特征输入第二双向长短期记忆网络，得到所述音频特征的正向处理结果和反向处理结果，将所述音频特征的正向处理结果和反向处理结果拼接为所述第二向量。
7.根据权利要求2所述的方法，其中，所述提取所述目标视频的图像特征和音频特征，包括：
将所述目标视频的图像输入预先训练的第一残差网络，得到从所述第一残差网络输出的所述图像特征，其中，所述第一残差网络用于对图像划分质量类型；
将所述目标视频的音频输入预先训练的第二残差网络，得到从所述第二残差网络输出的所述音频特征，其中，所述第二残差网络用于对音频划分质量类型。
8.根据权利要求7所述的方法，其中，所述第一残差网络的训练步骤包括：
获取多个视频样本，以及各视频样本中各个图像的质量类型标注，质量类型标注用于指示图像属于第一质量类型或属于所述第二质量类型，其中，视频中各个图像的质量类型标注一致，图像的质量类型标注用于指示图像属于所述第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；
将视频样本的各个图像输入初始第一残差网络，基于所述初始第一残差网络输出的质量类型预测结果和所述各个图像的质量类型标注，对所述初始第一残差网络进行训练，得到所述第一残差网络。
9.根据权利要求7所述的方法，其中，所述第二残差网络的训练步骤包括：
获取多个视频样本，以及各视频样本中单位时长的音频的质量类型标注，音频的质量类型标注用于指示音频属于所述第一质量类型或属于所述第二质量类型，其中，视频中各个音频的质量类型标注一致，音频的质量类型标注用于指示音频属于所述第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；
将视频样本的各个音频输入初始第二残差网络，基于所述初始第二残差网络输出的质量类型预测结果和所述各个音频的质量类型标注，对所述初始第二残差网络进行训练，得到所述第二残差网络。
10.一种视频处理装置，包括：
获取单元，被配置成获取目标视频，提取所述目标视频的图像特征和音频特征；
确定单元，被配置成将所述图像特征和所述音频特征输入预先训练的视频分类模型，得到从所述视频分类模型输出的所述目标视频的质量类型，其中，所述视频分类模型用于将视频分为不同的质量类型。
11.根据权利要求10所述的装置，其中，所述质量类型中存在第一质量类型和第二质量类型，第一质量类型指示的质量优于第二质量类型指示的质量，所述第一质量类型中存在至少两个内容主题类型；以及
所述确定单元，包括：
第一确定模块，被配置成得到从所述视频分类模型输出的所述目标视频的内容主题类型或第二质量类型，其中，所述视频分类模型用于将视频确定为所述第二质量类型，或所述第一质量类型中的至少两个内容主题类型之一。
12.根据权利要求11所述的装置，其中，所述视频分类模型的训练步骤包括：
获取多个视频特征样本以及各视频特征样本的质量类型标注，其中，所述视频特征样本包括图像特征和音频特征，所述视频特征样本的质量类型标注用于指示该视频特征样本对应的视频属于所述第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；
将视频特征样本输入初始视频分类模型，得到所述初始视频分类模型输出的质量类型预测结果，基于所述质量类型预测结果和所述质量类型标注，对所述初始视频分类模型进行训练，得到所述视频分类模型，其中，所述质量类型预测结果是所述第一质量类型中的至少两个内容主题类型之一或所述第二质量类型。
13.根据权利要求12所述的装置，其中，
所述第一质量类型的质量类型标注对应的视频的播放量和/或用户互动数达到预设阈值，所述第二质量类型的质量类型标注对应的视频的播放量未达到第一阈值且用户互动数未达到第二阈值。
14.根据权利要求10或11所述的装置，其中，所述视频分类模型包括第一长短期记忆网络和第二长短期记忆网络、第一自注意力网络和第二自注意力网络、预设全连接层；以及
所述确定单元，包括：
第二确定模块，被配置成将所述图像特征输入所述第一长短期记忆网络，得到第一向量，以及将所述音频特征输入所述第二长短期记忆网络，得到第二向量；
第三确定模块，被配置成将所述第一向量输入所述第一自注意力网络，得到第一处理结果，将所述第二向量输入所述第二自注意力网络，得到第二处理结果，以及对所述第一处理结果和所述第二处理结果进行拼接，得到连接结果；
第四确定模块，被配置成将所述连接结果输入所述预设全连接层，得到所述目标视频的质量类型。
15.根据权利要求14所述的装置，其中，所述长短期记忆网络为双向长短期记忆网络；以及
所述第二确定模块进一步被配置成按照如下方式执行将所述图像特征输入所述第一长短期记忆网络，得到第一向量：
将所述图像特征输入第一双向长短期记忆网络，得到所述图像特征的正向处理结果和反向处理结果，将所述图像特征的正向处理结果和反向处理结果拼接为所述第一向量；以及
所述第二确定模块进一步被配置成按照如下方式执行将所述音频特征输入所述第二长短期记忆网络，得到第二向量：
将所述音频特征输入第二双向长短期记忆网络，得到所述音频特征的正向处理结果和反向处理结果，将所述音频特征的正向处理结果和反向处理结果拼接为所述第二向量。
16.根据权利要求11所述的装置，其中，所述获取单元，进一步被配置成：
将所述目标视频的图像输入预先训练的第一残差网络，得到从所述第一残差网络输出的所述图像特征，其中，所述第一残差网络用于对图像划分质量类型；
将所述目标视频的音频输入预先训练的第二残差网络，得到从所述第二残差网络输出的所述音频特征，其中，所述第二残差网络用于对音频划分质量类型。
17.根据权利要求16所述的装置，其中，所述第一残差网络的训练步骤包括：
获取多个视频样本，以及各视频样本中各个图像的质量类型标注，质量类型标注用于指示图像属于第一质量类型或属于所述第二质量类型，其中，视频中各个图像的质量类型标注一致，图像的质量类型标注用于指示图像属于所述第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；
将视频样本的各个图像输入初始第一残差网络，基于所述初始第一残差网络输出的质量类型预测结果和所述各个图像的质量类型标注，对所述初始第一残差网络进行训练，得到所述第一残差网络。
18.根据权利要求16所述的装置，其中，所述第二残差网络的训练步骤包括：
获取多个视频样本，以及各视频样本中单位时长的音频的质量类型标注，音频的质量类型标注用于指示音频属于所述第一质量类型或属于所述第二质量类型，其中，视频中各个音频的质量类型标注一致，音频的质量类型标注用于指示音频属于所述第一质量类型中的至少两个内容主题类型之一或属于第二质量类型；
将视频样本的各个音频输入初始第二残差网络，基于所述初始第二残差网络输出的质量类型预测结果和所述各个音频的质量类型标注，对所述初始第二残差网络进行训练，得到所述第二残差网络。
19.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN201910794759.4A 2019-08-27 2019-08-27 视频处理方法和装置 Active CN110502665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910794759.4A CN110502665B (zh) 2019-08-27 2019-08-27 视频处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910794759.4A CN110502665B (zh) 2019-08-27 2019-08-27 视频处理方法和装置

Publications (2)

Publication Number Publication Date
CN110502665A true CN110502665A (zh) 2019-11-26
CN110502665B CN110502665B (zh) 2022-04-01

Family

ID=68589619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910794759.4A Active CN110502665B (zh) 2019-08-27 2019-08-27 视频处理方法和装置

Country Status (1)

Country Link
CN (1) CN110502665B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046233A (zh) * 2019-12-24 2020-04-21 浙江大学 一种基于视频评论文本的视频标签确定方法
CN111083469A (zh) * 2019-12-24 2020-04-28 北京奇艺世纪科技有限公司 一种视频质量确定方法、装置、电子设备及可读存储介质
CN111277899A (zh) * 2020-02-18 2020-06-12 福州大学 基于短期记忆和用户期望的视频质量评价方法
CN111401317A (zh) * 2020-04-13 2020-07-10 Oppo广东移动通信有限公司 视频分类方法、装置、设备及存储介质
CN114268846A (zh) * 2020-09-16 2022-04-01 镇江多游网络科技有限公司 一种基于注意机制的视频描述生成模型

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765394A (zh) * 2018-05-21 2018-11-06 上海交通大学 基于质量评价的目标识别方法
CN109190482A (zh) * 2018-08-06 2019-01-11 北京奇艺世纪科技有限公司 多标签视频分类方法及系统、系统训练方法及装置
CN110046279A (zh) * 2019-04-18 2019-07-23 网易传媒科技（北京）有限公司 视频文件特征的预测方法、介质、装置和计算设备
EP3518145A1 (en) * 2018-01-30 2019-07-31 Deluxe Entertainment Services Group Inc. Cognitive indexing of images in digital video content

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3518145A1 (en) * 2018-01-30 2019-07-31 Deluxe Entertainment Services Group Inc. Cognitive indexing of images in digital video content
CN108765394A (zh) * 2018-05-21 2018-11-06 上海交通大学 基于质量评价的目标识别方法
CN109190482A (zh) * 2018-08-06 2019-01-11 北京奇艺世纪科技有限公司 多标签视频分类方法及系统、系统训练方法及装置
CN110046279A (zh) * 2019-04-18 2019-07-23 网易传媒科技（北京）有限公司 视频文件特征的预测方法、介质、装置和计算设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046233A (zh) * 2019-12-24 2020-04-21 浙江大学 一种基于视频评论文本的视频标签确定方法
CN111083469A (zh) * 2019-12-24 2020-04-28 北京奇艺世纪科技有限公司 一种视频质量确定方法、装置、电子设备及可读存储介质
CN111046233B (zh) * 2019-12-24 2022-05-13 浙江大学 一种基于视频评论文本的视频标签确定方法
CN111277899A (zh) * 2020-02-18 2020-06-12 福州大学 基于短期记忆和用户期望的视频质量评价方法
CN111277899B (zh) * 2020-02-18 2021-06-22 福州大学 基于短期记忆和用户期望的视频质量评价方法
CN111401317A (zh) * 2020-04-13 2020-07-10 Oppo广东移动通信有限公司 视频分类方法、装置、设备及存储介质
CN114268846A (zh) * 2020-09-16 2022-04-01 镇江多游网络科技有限公司 一种基于注意机制的视频描述生成模型

Also Published As

Publication number Publication date
CN110502665B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN110502665A (zh) 视频处理方法和装置
CN108830235A (zh) 用于生成信息的方法和装置
CN109410253B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN108492364A (zh) 用于生成图像生成模型的方法和装置
CN109308490A (zh) 用于生成信息的方法和装置
CN110401844A (zh) 视频直播策略的生成方法、装置、设备及可读介质
CN109919244A (zh) 用于生成场景识别模型的方法和装置
CN109376267A (zh) 用于生成模型的方法和装置
CN109829432A (zh) 用于生成信息的方法和装置
CN109815365A (zh) 用于处理视频的方法和装置
CN110472558A (zh) 图像处理方法和装置
CN109815448B (zh) 幻灯片生成方法及装置
CN110516678A (zh) 图像处理方法和装置
CN110213614A (zh) 从视频文件中提取关键帧的方法和装置
CN109977839A (zh) 信息处理方法和装置
CN109784304A (zh) 用于标注牙齿图像的方法和装置
CN110471733A (zh) 信息处理方法和装置
CN109961032A (zh) 用于生成分类模型的方法和装置
CN109150700A (zh) 一种数据采集的方法及装置
CN110321447A (zh) 重复图像的确定方法、装置、电子设备及存储介质
CN110032978A (zh) 用于处理视频的方法和装置
CN110516099A (zh) 图像处理方法和装置
CN109640176A (zh) 用于生成信息的方法和装置
CN109600665A (zh) 用于处理数据的方法和装置
CN109495767A (zh) 用于输出信息的方法和装置

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