CN110704678B - 评估排序方法、评估排序系统、计算机装置及储存介质 - Google Patents
评估排序方法、评估排序系统、计算机装置及储存介质 Download PDFInfo
- Publication number
- CN110704678B CN110704678B CN201910905263.XA CN201910905263A CN110704678B CN 110704678 B CN110704678 B CN 110704678B CN 201910905263 A CN201910905263 A CN 201910905263A CN 110704678 B CN110704678 B CN 110704678B
- Authority
- CN
- China
- Prior art keywords
- ranking
- video
- score
- model
- evaluation
- 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.)
- Active
Links
Images
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
- G06F16/7847—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 low-level visual features of the video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种评估排序方法、评估排序系统、计算机装置及储存介质,包括:将视频利用视频提取方法生成视频片段;将所述视频片段利用视频动作分类模型抽取所述视频片段的视频片段特征;将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。解决了现有技术中评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度的问题,可以得到更精确的视频动作检测的排名,使得更接近真实值的视频动作片段的排名更高,从而提高视频动作检测的效果。
Description
技术领域
本申请涉及一种视频理解分析和事件定位领域,特别是涉及一种评估排序方法、评估排序系统、计算机装置及储存介质。
背景技术
随着互联网的发展,每天会产生大量的视频,如何分析处理这些视频成为了一个重要的问题。现有的视频事件检测系统多采用了候选区间(Proposal)生成和分类(Classification)的两个阶段系统框架,在实际的使用中,分类阶段中的对候选区间的评估方法,只将独立的候选区间与人为标注的候选区间进行对比,该评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度。
申请内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供一种评估排序方法、评估排序系统、计算机装置及储存介质,用于解决现有技术中评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度的问题。
为实现上述目的及其他相关目的,本申请提供一种评估排序方法,包括:将视频利用视频提取方法生成视频片段;将所述视频片段利用视频动作分类模型抽取所述视频片段的视频片段特征;将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。
于本申请的一实施例中,所述排序模型由损失函数约束。
于本申请的一实施例中,排序模型训练经过由两个视频片段特征之间相互利用损失函数计算公式得到对应的损失函数,其中所述损失函数计算的公式为:Lij=max(0,ε-rijdij);其中rij=f(xi;θ)-f(xj;θ),xi,xj分别代表第i个和第j个视频片段,f(xi;θ),f(xj;θ)分别为视频片段xi,xj的排序模型的输出,θ表示排序模型的参数;dij=yi-yj,yi和yj为第i个和第j个视频片段与真实值之间的测量标准值。
于本申请的一实施例中,所述排序模型为循环神经网络。
于本申请的一实施例中,所述视频动作分类模型为I3D算法网络。
为实现上述目的及其他相关目的,本申请提供一种评估排序系统,包括:处理模块,用于将视频利用视频提取方法生成视频片段,将所述视频片段利用视频动作分类模型抽取所述视频片段的特征,将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。
于本申请的一实施例中,所述排序模型由损失函数约束。
于本申请的一实施例中,排序模型训练经过由两个视频片段特征之间相互利用损失函数计算公式得到对应的损失函数,其中所述损失函数计算的公式为:Lij=max(0,ε-rijdij);其中rij=f(xi;θ)-f(xj;θ),xi,xj分别代表第i个和第j个视频片段,f(xi;θ),f(xj;θ)分别为视频片段xi,xj的排序模型的输出,θ表示排序模型的参数;dij=yi-yj,yi和yj为第i个和第j个视频片段与真实值之间的测量标准值。
为实现上述目的及其他相关目的,本申请提供一种计算机装置,包括:存储器,用于存储计算机程序;处理器,用于运行所述计算机程序,以执行所述的评估排序方法。
为实现上述目的及其他相关目的,本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述所述的评估排序方法。
如上所述,本申请评估排序方法、评估排序系统、计算机装置及储存介质,具有以下有益效果:解决了现有技术中评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度的问题,可以得到更精确的视频动作检测的排名,使得更接近真实值的视频动作片段的排名更高,从而提高视频动作检测的效果。
附图说明
图1显示为本申请一实施例中的评估排序方法的流程示意图。
图2显示为本申请一实施例中的评估排序系统的结构示意图。
图3显示为本申请一实施例中的计算机装置的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
随着互联网的发展,每天会产生大量的视频,如何分析处理这些视频成为了一个重要的问题。现有的视频事件检测系统多采用了候选区间(Proposal)生成和分类(Classification)的两个阶段系统框架,在实际的使用中,分类阶段中的对候选区间的评估方法,只将独立的候选区间与人为标注的候选区间进行对比,该评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度。
因此,本申请提供一种评估排序方法,用于解决现有技术中评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度的问题,可以得到更精确的视频动作检测的排名,使得更接近真实值的视频动作片段的排名更高,从而提高视频动作检测的效果。
所述方法包括:
将视频利用视频提取方法生成视频片段;
将所述视频片段利用视频动作分类模型抽取所述视频片段的视频片段特征;
将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。
下面以附图1为参考,针对本申请得实施例进行详细说明,以便本申请所述技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现,并不限于此处说明的实施例。
如图1所示,为本申请实施例中的一种评估排序方法的流程示意图。
所述方法包括:
S11:将视频利用视频提取方法生成视频片段。
可选的,将传入的视频通过视频提取方法生成多个候选的视频片段;
可选的,所述视频提取方法为标签提取方法、滑动窗口方法、边界敏感网络方法以及时间单位回归曲线方法,需要注意的是,所述视频提取方法不仅限于以上方法,在本申请中不作限定。
S12:将所述视频片段利用视频动作分类模型抽取所述视频片段的视频片段特征。
可选的,将所述视频片段利用视频动作分类模型来分别抽取每个视频片段对应的视频片段特征。
可选的,将所述视频片段输入到经过视频片段与其对应视频片段特征训练的视频动作分类模型来抽取每个视频片段对应的每个视频片段特征。
可选的,所述视频片段特征是视频片段中每帧的特征的排列。
可选的,所述视频动作分类模型可以为TSN、I3D、P3D和ARTNet中的一种或多种。
S13:将所述视频片段特征输入到排序模型输出排序得分。
可选的,将经过抽取后的视频片段特征输入到所述排序模型,进而输出该视频片段对应的排序得分。
可选的,将经过抽取后的视频片段特征输入到所述排序模型,对所述视频片段特征按时间维度进行编码进而输出该视频片段对应的排序得分。
可选的,所述排序得分为大于0的值。
S14:根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。
可选的,利用由排序模型输出排序得分得到对应的所述视频片段的排名,其中排名越高,视频检测质量越高。
可选的,利用得到的排序分数与经过行为评分评价和完整性评分步骤分别得到的行为评分和完整性评分综合得到视频片段的排名。
可选的,利用得到的排序分数、行为评分和完整性评分经过排名公式得到视频片段的排名。
可选的,所述排名公式为:
其中,sa,sr和sc分别代表行为行为评分,排序得分和完整性评分。
可选的,所述排序模型由损失函数约束。
可选的,输入不同的视频片段的特征进行两两计算损失函数对所述排序模型进行训练,进而得到将不同的视频片段带入所述排序模型经过计算损失函数后得到所述排序分数。
可选的,排序模型训练经过由两个视频片段特征之间相互利用损失函数计算公式得到对应的损失函数,其中所述排序模型的训练框架为孪生模型框架,两个分支采用相同的模型参数。
可选的,所述损失函数计算的公式为:
Lij=max(0,ε-rijdij)
其中rij=f(xi;θ)-f(Xj;θ),xi,xj分别代表第i个和第j个视频片段,f(xi;θ),f(xj;θ)分别为视频片段xi,xj的排序模型的输出,θ表示排序模型的参数;dij=yi-yj,yi和yj为第i个和第j个视频片段与真实值之间的测量标准值。
可选的,当输入m个视频片段为一批数据,同时计算出m个排序得分,每次取其中一个视频片段的得分与之后的其他视频片段的得分同时计算损失函数,对这些损失函数进行平均,一共只需计算m次,可以大大减少模型前向计算的次数,加快训练速度。
可选的,所述排序模型为循环神经网络。所述循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。
可选的,所述视频动作分类模型为I3D算法网络。
可选的,所述I3D算法网络来抽取视频片段的高维特征,并输出视频动作的分类结果。每个视频片段的特征表示作为一个动作评分和边界回归模型的输入,通过模型的计算,输出该视频动作的评分,即是一个视频动作的概率,和对该视频中动作片段边界的修正,得到更精确的视频动作边界。
与上述实施例原理相似的是,本申请提供一种评估排序系统,包括:
处理模块,用于将视频图像利用视频提取方法生成视频片段,将所述视频片段利用视频动作分类模型抽取所述视频片段的特征,将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。
以下结合附图提供具体实施例:
如图2所示,展示本申请实施例中的一种评估排序系统的结构示意图。
所述处理模块21,用于将传入的视频通过视频提取方法生成多个候选的视频片段;
所述处理21还用于将所述视频片段利用视频动作分类模型来分别抽取每个视频片段对应的视频片段特征。
所述处理21还用于将经过抽取后的视频片段特征输入到所述排序模型,进而输出该视频片段对应的排序得分。
所述处理21还用于利用由排序模型输出排序得分得到对应的所述视频片段的排名,其中排名越高,视频检测质量越高。
可选的,所述视频提取方法为标签提取方法、滑动窗口方法、边界敏感网络方法以及时间单位回归曲线方法,需要注意的是,所述视频提取方法不仅限于以上方法,在本申请中不作限定。
可选的,所述处理模块21将所述视频片段输入到经过视频片段与其对应视频片段特征训练的视频动作分类模型来抽取每个视频片段对应的每个视频片段特征。
可选的,所述视频片段特征是视频片段中每帧的特征的排列。
可选的,所述视频动作分类模型可以为TSN、I3D、P3D和ARTNet中的一种或多种。
可选的,将经过抽取后的视频片段特征输入到所述排序模型,对所述视频片段特征按时间维度进行编码进而输出该视频片段对应的排序得分。
可选的,所述排序得分为大于0的值。
可选的,所述处理模块21利用得到的排序分数与经过行为评分评价和完整性评分步骤分别得到的行为评分和完整性评分综合得到视频片段的排名。
可选的,利用得到的排序分数、行为评分和完整性评分经过排名公式得到视频片段的排名。
可选的,所述排名公式为:
其中,sa,sr和sc分别代表行为行为评分,排序得分和完整性评分。
可选的,所述排序模型由损失函数约束。
可选的,输入不同的视频片段的特征进行两两计算损失函数对所述排序模型进行训练,进而得到将不同的视频片段带入所述排序模型经过计算损失函数后得到所述排序分数。
可选的,排序模型训练经过由两个视频片段特征之间相互利用损失函数计算公式得到对应的损失函数,其中所述排序模型的训练框架为孪生模型框架,两个分支采用相同的模型参数。
可选的,所述损失函数计算的公式为:
Lij=max(0,ε-rijdij)
其中rij=f(xi;θ)-f(xj;θ),xi,xj分别代表第i个和第j个视频片段,f(xi;θ),f(xj;θ)分别为视频片段xi,xj的排序模型的输出,θ表示排序模型的参数;dij=yi-yj,yi和yj为第i个和第j个视频片段与真实值之间的测量标准值。
可选的,当输入m个视频片段为一批数据,同时计算出m个排序得分,每次取其中一个视频片段的得分与之后的其他视频片段的得分同时计算损失函数,对这些损失函数进行平均,一共只需计算m次,可以大大减少模型前向计算的次数,加快训练速度。
如图3所示,展示本申请实施例中的计算机装置30的结构示意图。
所述计算机装置30包括:存储器31及处理器32所述存储器31用于存储计算机程序;所述处理器32运行计算机程序实现如图1所述的评估排序方法。
可选的,所述存储器31的数量均可以是一或多个,所述处理器32的数量均可以是一或多个,而图3中均以一个为例。
可选的,所述计算机装置30中的处理器32会按照如图1所述的步骤,将一个或多个以应用程序的进程对应的指令加载到存储器31中,并由处理器32来运行存储在存储器31中的应用程序,从而实现如图1所述评估排序方法中的各种功能。
可选的,所述存储器31,可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备;所述处理器32,可能包括但不限于中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
可选的,所述处理器32可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
本申请还提供计算机可读存储介质,存储有计算机程序,所述计算机程序运行时实现如图1所示的评估排序方法。所述计算机可读存储介质可包括,但不限于,软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品,也可以是已接入计算机设备使用的部件。
综上所述,本申请一种评估排序方法、评估排序系统、计算机装置及储存介质,包括:将视频图像利用视频提取方法生成视频片段;将所述视频片段利用视频动作分类模型抽取所述视频片段的视频片段特征;将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高。解决了现有技术中评估方法因为缺少参照物往往并不准确,影响了最终的检测精确度的问题,可以得到更精确的视频动作检测的排名,使得更接近真实值的视频动作片段的排名更高,从而提高视频动作检测的效果。所以,本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (6)
1.一种评估排序方法,其特征在于,包括:
将视频利用视频提取方法生成视频片段;
将所述视频片段利用视频动作分类模型抽取所述视频片段的视频片段特征;
将所述视频片段特征输入到排序模型输出排序得分;
根据所述排序得分得到排名,其中所述排名越高视频检测质量越高;
其中,所述排序模型由损失函数约束;排序模型训练经过由两个视频片段特征之间相互利用损失函数计算公式得到对应的损失函数,其中所述损失函数计算的公式为:
Lij=max(0,ε-rijdij)
其中rij=f(xi;θ)-f(xj;θ),xi,xj分别代表第i个和第j个视频片段,f(xi;θ),f(xj;θ)分别为视频片段xi,xj的排序模型的输出,θ表示排序模型的参数;dij=yi-yj,yi和yj为第i个和第j个视频片段与真实值之间的测量标准值;
利用得到的排序分数与经过行为评分评价和完整性评分步骤分别得到的行为评分和完整性评分综合得到视频片段的排名,其包括:利用得到的排序分数、行为评分和完整性评分经过排名公式得到视频片段的排名;
其中,所述排名公式为:
其中,sa,sr和sc分别代表行为行为评分,排序得分和完整性评分。
2.根据权利要求1所述的评估排序方法,其特征在于,所述排序模型为循环神经网络。
3.根据权利要求1所述的评估排序方法,其特征在于,所述视频动作分类模型为I3D算法网络。
4.一种评估排序系统,其特征在于,包括:
处理模块,用于将视频图像利用视频提取方法生成视频片段,将所述视频片段利用视频动作分类模型抽取所述视频片段的特征,将所述视频片段特征输入到排序模型输出排序得分;根据所述排序得分得到排名,其中所述排名越高视频检测质量越高;
其中,所述排序模型由损失函数约束;排序模型训练经过由两个视频片段特征之间相互利用损失函数计算公式得到对应的损失函数,其中所述损失函数计算的公式为:
Lij=max(0,ε-rijdij)
其中rij=f(xi;θ)-f(xj;θ),xi,xj分别代表第i个和第j个视频片段,f(xi;θ),f(xj;θ)分别为视频片段xi,xj的排序模型的输出,θ表示排序模型的参数;dij=yi-yj,yi和yj为第i个和第j个视频片段与真实值之间的测量标准值;
利用得到的排序分数与经过行为评分评价和完整性评分步骤分别得到的行为评分和完整性评分综合得到视频片段的排名,其包括:利用得到的排序分数、行为评分和完整性评分经过排名公式得到视频片段的排名;
其中,所述排名公式为:
其中,sa,sr和sc分别代表行为行为评分,排序得分和完整性评分。
5.一种计算机装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于运行所述计算机程序,以执行如权利要求1至3中任一项所述的评估排序方法。
6.一种计算机存储介质,其特征在于,存储有计算机程序,所述计算机程序运行时实现如权利要求1至3中任一项所述的评估排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905263.XA CN110704678B (zh) | 2019-09-24 | 2019-09-24 | 评估排序方法、评估排序系统、计算机装置及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905263.XA CN110704678B (zh) | 2019-09-24 | 2019-09-24 | 评估排序方法、评估排序系统、计算机装置及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110704678A CN110704678A (zh) | 2020-01-17 |
CN110704678B true CN110704678B (zh) | 2022-10-14 |
Family
ID=69195818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905263.XA Active CN110704678B (zh) | 2019-09-24 | 2019-09-24 | 评估排序方法、评估排序系统、计算机装置及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704678B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681748B (zh) * | 2020-06-11 | 2023-09-08 | 北京航空航天大学 | 基于智能视觉感知的医疗行为动作规范性评价方法 |
CN112672159B (zh) * | 2020-12-23 | 2023-05-05 | 北京金山云网络技术有限公司 | 视频质量的比较方法及装置、存储介质、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359539A (zh) * | 2018-09-17 | 2019-02-19 | 中国科学院深圳先进技术研究院 | 注意力评估方法、装置、终端设备及计算机可读存储介质 |
CN109977262A (zh) * | 2019-03-25 | 2019-07-05 | 北京旷视科技有限公司 | 从视频中获取候选片段的方法、装置及处理设备 |
CN110191357A (zh) * | 2019-06-28 | 2019-08-30 | 北京奇艺世纪科技有限公司 | 视频片段精彩度评估、动态封面生成方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169062A1 (en) * | 2015-12-14 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for recommending video |
-
2019
- 2019-09-24 CN CN201910905263.XA patent/CN110704678B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359539A (zh) * | 2018-09-17 | 2019-02-19 | 中国科学院深圳先进技术研究院 | 注意力评估方法、装置、终端设备及计算机可读存储介质 |
CN109977262A (zh) * | 2019-03-25 | 2019-07-05 | 北京旷视科技有限公司 | 从视频中获取候选片段的方法、装置及处理设备 |
CN110191357A (zh) * | 2019-06-28 | 2019-08-30 | 北京奇艺世纪科技有限公司 | 视频片段精彩度评估、动态封面生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
G.1070视频质量评估改进模型的实现与评估;乔萧雅等;《中国科技论文》;20171023(第20期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110704678A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Iou-uniform r-cnn: Breaking through the limitations of rpn | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
Xiao et al. | Classification and recognition scheme for vegetable pests based on the BOF-SVM model | |
Galteri et al. | Spatio-temporal closed-loop object detection | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN110633610A (zh) | 一种基于yolo的学员状态检测算法 | |
CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN107945210B (zh) | 基于深度学习和环境自适应的目标跟踪方法 | |
CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN110704678B (zh) | 评估排序方法、评估排序系统、计算机装置及储存介质 | |
CN112949408A (zh) | 一种过鱼通道目标鱼类实时识别方法和系统 | |
CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
CN113269706A (zh) | 激光雷达图像质量评价方法、装置、设备及存储介质 | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
Pang et al. | Convolutional neural network-based sub-pixel line-edged angle detection with applications in measurement | |
CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
CN116342906A (zh) | 一种跨域小样本图像识别方法及系统 | |
CN110428012A (zh) | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 | |
CN113874888A (zh) | 信息处理装置、生成方法和生成程序 | |
Adam et al. | Performance evaluation of faster R-CNN on GPU for object detection | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112597994B (zh) | 候选框处理方法、装置、设备及介质 | |
Kuang et al. | Research on object detection network based on knowledge distillation |
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 |