CN111831855A - 用于匹配视频的方法、装置、电子设备和介质 - Google Patents

用于匹配视频的方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN111831855A
CN111831855A CN202010698364.7A CN202010698364A CN111831855A CN 111831855 A CN111831855 A CN 111831855A CN 202010698364 A CN202010698364 A CN 202010698364A CN 111831855 A CN111831855 A CN 111831855A
Authority
CN
China
Prior art keywords
video
feature
similarity
frame
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
CN202010698364.7A
Other languages
English (en)
Other versions
CN111831855B (zh
Inventor
邵杰
温鑫
王长虎
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 ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010698364.7A priority Critical patent/CN111831855B/zh
Publication of CN111831855A publication Critical patent/CN111831855A/zh
Application granted granted Critical
Publication of CN111831855B publication Critical patent/CN111831855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/78—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
    • 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
    • G06F16/73—Querying
    • G06F16/732—Query formulation
    • G06F16/7328—Query by example, e.g. a complete video frame or video sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了用于匹配视频的方法和装置。该方法的一具体实施方式包括：获取待匹配视频；从该待匹配视频中提取目标数目的视频帧，生成视频帧集合；提取该视频帧集合中的各视频帧对应的帧特征向量，生成与该待匹配视频对应的特征矩阵，其中，该特征矩阵的行或列与该视频帧集合中的视频帧对应的帧特征向量对应；根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从该预设视频库中选取匹配的视频。该实施方式能够更完整地保留帧特征；而且，还降低了劣质帧对整体视频匹配的影响，从而提高了视频匹配的准确度。

Description

用于匹配视频的方法、装置、电子设备和介质
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于匹配视频的方法、装置、电子设备和介质。
背景技术
随着互联网上的内容从以前的纯文本演变为各种形式的多媒体表示(例如图片，音频和视频)，基于内容的视频检索技术取得了越来越快的发展。
在基于内容的视频检索领域，相关的方式通常包括提取视频特征以及根据视频特征进行视频间的相似度计算。因此，如何更有效地提取视频特征以及采用适当的相似度计算在整个视频检索过程中起着重要的作用。
发明内容
本申请实施例提出了用于匹配视频的方法、装置、电子设备和介质。
第一方面，本申请实施例提供了一种用于匹配视频的方法，该方法包括：获取待匹配视频；从待匹配视频中提取目标数目的视频帧，生成视频帧集合；提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵，其中，特征矩阵的行或列与视频帧集合中的视频帧对应的帧特征向量对应；根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从预设视频库中选取匹配的视频。
在一些实施例中，上述提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵，包括：将视频帧集合中的各视频帧输入至预先训练的视频特征提取模型，生成与视频帧集合中的各视频帧对应的帧特征向量；将所生成的各帧特征向量按照对应的视频帧在待匹配视频中的时间顺序排列，生成与待匹配视频对应的特征矩阵。
在一些实施例中，上述相似度包括倒角相似度或对称的倒角相似度，上述视频特征提取模型基于特征矩阵所形成的特征向量之间的相似度关联的损失函数训练得到。
第二方面，本申请实施例提供了一种用于训练视频特征提取模型的方法，该方法包括：获取初始视频特征提取模型；从预设的第一视频数据集中选取具有相似标注的样本对，其中，样本对包括参考样本和正样本；从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本；提取样本对和至少两个负样本各自对应的视频特征；基于预设的对比损失函数，调整初始视频特征提取模型的参数，其中，对比损失函数计算的损失值基于参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与至少两个负样本经过初始视频特征提取模型所得到的视频特征之间的相似度而确定。
在一些实施例中，上述从预设的第一视频数据集中选取具有相似标注的样本对，包括：获取针对初始视频特征提取模型进行并行训练的样本批次的数目；对于并行训练的各样本批次，从预设的第一视频数据集中选取具有相似标注的样本对。
在一些实施例中，上述对比损失函数计算的损失值通过以下步骤确定：将所选取的、与并行训练的各样本批次的参考样本对应的至少两个负样本组成负样本集合；确定参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与负样本集合中各负样本经过初始视频特征提取模型所得到的视频特征之间的相似度；基于所确定的相似度，利用预设的对比损失函数确定损失值。
在一些实施例中，上述初始视频特征提取模型中包括L2归一化层，上述对比损失函数包括基于softmax的损失函数。
在一些实施例中，上述对比损失函数包括以下至少一项：InfoNCE损失，Circle损失。
在一些实施例中，上述视频特征包括视频对应的视频帧向量所形成的视频特征矩阵。
在一些实施例中，上述视频特征之间的相似度包括基于视频特征矩阵所形成的特征向量之间的相似度。
第三方面，本申请实施例提供了一种用于匹配视频的装置，该装置包括：视频获取单元，被配置成获取待匹配视频；帧提取单元，被配置成从待匹配视频中提取目标数目的视频帧，生成视频帧集合；特征提取单元，被配置成提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵，其中，特征矩阵的行或列与视频帧集合中的视频帧对应的帧特征向量对应；匹配单元，被配置成根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从预设视频库中选取匹配的视频。
在一些实施例中，上述特征提取单元包括：提取模块，被配置成将视频帧集合中的各视频帧输入至预先训练的视频特征提取模型，生成与视频帧集合中的各视频帧对应的帧特征向量；排列模块，被配置成将所生成的各帧特征向量按照对应的视频帧在待匹配视频中的时间顺序排列，生成与待匹配视频对应的特征矩阵。
在一些实施例中，上述相似度包括倒角相似度或对称的倒角相似度，上述视频特征提取模型基于特征矩阵所形成的特征向量之间的相似度关联的损失函数训练得到。
第四方面，本申请实施例提供了一种用于训练视频特征提取模型的装置，该装置包括：模型获取单元，被配置成获取初始视频特征提取模型；第一选取单元，被配置成从预设的第一视频数据集中选取具有相似标注的样本对，其中，样本对包括参考样本和正样本；第二选取单元，被配置成从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本；视频特征提取单元，被配置成提取样本对和至少两个负样本各自对应的视频特征；调整单元，被配置成基于预设的对比损失函数，调整初始视频特征提取模型的参数，其中，对比损失函数计算的损失值基于参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与至少两个负样本经过初始视频特征提取模型所得到的视频特征之间的相似度而确定。
在一些实施例中，上述第一选取单元包括：获取模块，被配置成获取针对初始视频特征提取模型进行并行训练的样本批次的数目；选取模块，被配置成对于并行训练的各样本批次，从预设的第一视频数据集中选取具有相似标注的样本对。
在一些实施例中，上述对比损失函数计算的损失值通过以下步骤确定：将所选取的、与并行训练的各样本批次的参考样本对应的至少两个负样本组成负样本集合；确定参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与负样本集合中各负样本经过初始视频特征提取模型所得到的视频特征之间的相似度；基于所确定的相似度，利用预设的对比损失函数确定损失值。
在一些实施例中，上述初始视频特征提取模型中包括L2归一化层，上述对比损失函数包括基于softmax的损失函数。
在一些实施例中，上述对比损失函数包括以下至少一项：InfoNCE损失，Circle损失。
在一些实施例中，上述视频特征包括视频对应的视频帧向量所形成的视频特征矩阵。
在一些实施例中，上述视频特征之间的相似度包括基于视频特征矩阵所形成的特征向量之间的相似度。
第五方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；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第一方面中任一实现方式描述的方法。
第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于匹配视频的方法、装置、电子设备和介质，通过将从视频中提取的帧特征向量形成与视频对应的特征矩阵，与现有方案中采用特征向量来表示视频的方案相比可以更完整地保留帧特征。而且，本申请还通过矩阵之间的相似度计算，对两个视频所包含的视频帧之间进行更为精细化的匹配，降低了劣质帧对整体视频匹配的影响，从而提高了视频匹配的准确度。
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是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于匹配视频的方法的一个实施例的流程图；
图3是根据本申请的实施例的用于匹配视频的方法的一个应用场景的示意图；
图4是根据本申请的用于训练视频特征提取模型的方法的又一个实施例的流程图；
图5是根据本申请的用于匹配视频的装置的一个实施例的结构示意图；
图6是根据本申请的用于训练视频特征提取模型的装置的一个实施例的结构示意图；
图7是适于用来实现本申请的实施例的电子设备的结构示意图。
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用于匹配视频的方法或用于匹配视频的装置的示例性架构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、106和服务器105、107。网络104、106用以分别在终端设备101、102、103和服务器105之间，服务器105和服务器107之间提供通信链路的介质。网络104、106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。
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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、视频播放类应用等。
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，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如为终端设备101、102、103上呈现的与待匹配视频相匹配的视频提供支持的后台服务器。服务器105可以用于执行上述用于匹配视频的方法。服务器107可以是用于训练视频特征提取模型的服务器。后台服务器105可以从服务器107获取训练好的视频特征提取模型。而后利用所获取的视频特征提取模型对从终端设备接收的待匹配视频进行分析等处理，并将处理结果(如匹配的视频)反馈给终端设备。
需要说明的是，上述待匹配视频也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待匹配视频并进行处理，此时，可以不存在终端设备101、102、103和网络104。
还需要说明的是，上述服务器105也可以用于训练视频特征提取模型，从而上述训练好的视频特征提取模型也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的视频特征提取模型，此时，可以不存在网络106和服务器107。
上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，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。
需要说明的是，本申请实施例所提供的用于匹配视频的方法一般由服务器105执行，相应地，用于匹配视频的装置一般设置于服务器105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用于匹配视频的方法的一个实施例的流程200。该用于匹配视频的方法包括以下步骤：
步骤201，获取待匹配视频。
在本实施例中，用于匹配视频的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待匹配视频。作为示例，上述执行主体可以获取预先存储于本地的待匹配视频。作为又一示例，上述执行主体也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的待匹配视频。
步骤202，从待匹配视频中提取目标数目的视频帧，生成视频帧集合。
在本实施例中，上述执行主体可以通过各种方式从上述步骤201所获取的待匹配视频中提取目标数目的视频帧，从而生成视频帧集合。作为示例，上述执行主体可以按照预设的时间间隔(例如每1秒)从上述待匹配视频中均匀抽帧，从而提取目标数目的视频帧。作为又一示例，上述执行主体可以从每一预设时间间隔(例如1秒)中选取图像质量符合要求(例如清晰度高于预设阈值)的一帧，从而提取目标数目的视频帧。其中，上述目标数目可以是预先设定的任意数目，也可以是根据视频的时长而得到的数目。从而，上述执行主体可以将所提取的目标数目的视频帧组成视频帧集合。
步骤203，提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵。
在本实施例中，上述执行主体可以通过各种方式提取步骤202所生成的视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵。其中，上述特征矩阵的行或列与上述视频帧集合中的视频帧对应的帧特征向量对应。上述帧特征向量通常可以采用特征表示(embedding)的形式。具体地，上述执行主体可以首先通过各种提取图像特征向量的方式提取上述视频帧集合中的各视频帧对应的帧特征向量。而后，上述执行主体可以将所提取的帧特征向量进行排列，从而生成与待匹配视频对应的特征矩阵。作为示例，上述帧特征向量可以为行向量，则上述执行主体可以生成上述特征矩阵。其中，上述特征矩阵的行数可以与上述所提取的帧特征向量的数目一致。作为又一示例，上述帧特征向量可以为列向量，则上述执行主体可以生成上述特征矩阵。其中，上述特征矩阵的列数可以与上述所提取的帧特征向量的数目一致。
在本实施例的一些可选的实现方式中，上述执行主体可以按照以下步骤提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵：
第一步，将视频帧集合中的各视频帧输入至预先训练的视频特征提取模型，生成与视频帧集合中的各视频帧对应的帧特征向量。
在这些实现方式中，上述执行主体可以将上述步骤202所生成的视频帧集合中的各视频帧输入至预先训练的视频特征提取模型，从而生成与上述视频帧集合中的各视频帧对应的帧特征向量。其中，上述视频特征提取模型可以用于表征帧特征向量与视频帧之间的对应关系。上述视频特征提取模型可以包括各种基于机器学习方式训练得到的、用于提取图像特征的模型。
可选地，上述视频特征提取模型还可以采用如下文图4所示的实施例所描述的用于训练视频特征提取模型的方法训练得到。
第二步，将所生成的各帧特征向量按照对应的视频帧在待匹配视频中的时间顺序排列，生成与待匹配视频对应的特征矩阵。
在这些实现方式中，上述执行主体可以将所生成的各帧特征向量按照对应的视频帧在待匹配视频中的时间顺序排列，生成与待匹配视频对应的特征矩阵。作为示例，上述帧特征向量可以为行向量，则上述执行主体可以生成上述特征矩阵。其中，上述特征矩阵的行数可以与上述所提取的帧特征向量的数目一致。作为又一示例，上述帧特征向量可以为列向量，则上述执行主体可以生成上述特征矩阵。其中，上述特征矩阵的列数可以与上述所提取的帧特征向量的数目一致。
步骤204，根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从预设视频库中选取匹配的视频。
在本实施例中，根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，上述执行主体可以通过各种方式从预设视频库中选取匹配的视频。其中，上述预设视频库中的视频对应的特征矩阵通常与上述步骤203所生成的特征矩阵的形式一致，例如帧特征向量均为行向量或均为列向量。其中，上述相似度可以包括用于指示相似程度的各种度量方法，例如余弦相似度、余弦距离、欧氏距离等。
作为示例，上述执行主体可以从上述预设的视频库中选取视频并获取所选取的视频对应的特征矩阵。之后，上述执行主体可以将上述特征矩阵中包括的各帧特征向量依次与上述所生成的特征矩阵中包括的各帧特征向量进行相似度计算。而后，上述执行主体可以将上述相似度计算结果与预设的相似条件进行比较。响应于确定满足上述相似条件，上述执行主体可以将所选取的视频确定为与上述待匹配视频匹配的视频。其中，上述相似条件可以包括但不限于以下至少一项：相似度大于预设阈值的相似帧的数目达到预定数目，相似度大于预设阈值的相似帧的数目的占比大于预设比值。
在本实施例的一些可选的实现方式中，上述相似度可以包括倒角相似度或对称的倒角相似度。上述视频特征提取模型可以基于特征矩阵所形成的特征向量之间的相似度关联的损失函数训练得到。其中，上述基于特征矩阵所形成的特征向量可以包括通过下文图4所示的实施例中步骤404所描述的特征聚合而生成的特征向量。
基于上述可选的实现方式，上述执行主体可以采用与视频对应的特征向量之间的相似度进行模型的训练，以减少显存的占用量。而且，上述执行主体还可以在上述模型的验证、推理过程中采用与视频对应的特征矩阵之间(即分别比较两视频中的帧级别的特征向量)的相似度，以进行更加精细的对比。而且，虽然训练目标与推理目标看似不完全一致，但发明人发现，通过梯度分析可以证明两者协同优化的合理性，以下以余弦相似度为例给出简要说明：
对于给定的两个视频对应的特征矩阵x,y，如公式(1)所示的倒角相似度可以为两个特征矩阵所包括的帧特征向量xi、yj之间的相似度矩阵中各行最大值的平均值：
Figure BDA0002592147660000101
与之对应的对称的倒角相似度可以用公式(2)表示：
simsym(x,y)＝(simf(x,y)+simf(y,x))/2 (2)
假设上述基于特征矩阵所形成的特征向量通过帧特征向量在时间维度上平均池化而得到，则余弦相似度可以等价变化为两个特征矩阵所包括的帧特征向量xi、yj之间的相似度矩阵中各行平均值的平均值，可以用公式(3表示)：
Figure BDA0002592147660000102
可见，上述余弦相似度总是小于或等于上述倒角相似度，同时上述余弦相似度总是在[-1,1]的区间内。
以softmax损失函数为例，上述损失函数对于参考样本与正样本之间的相似度sp以及参考样本与负样本之间的相似度
Figure BDA0002592147660000104
的梯度可以分别用公式(4)和公式(5)表示：
Figure BDA0002592147660000103
Figure BDA0002592147660000111
可见，采用不同的相似度表示仅仅影响数值大小，而并不会影响上述梯度的符号。因此，二者的协同优化是合理的。
继续参见图3，图3是根据本申请实施例的用于匹配视频的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端设备302点击视频链接。终端设备302向后台服务器304发送视频获取请求303。其中，上述视频获取请求303中可以包括上述视频链接。后台服务器304可以根据上述视频链接从数据库服务器305获取上述待匹配视频306。之后，后台服务器304可以按照每秒提取2帧的速率从上述待匹配视频306中提取视频帧，生成视频帧集合307。之后，后台服务器304可以提取上述视频帧集合307中的各视频帧对应的帧特征向量，生成与上述待匹配视频306对应的特征矩阵308。其中，上述特征矩阵308中的行向量(x11,…,x1j)可以用于表征与上述视频帧集合中第一帧对应的帧特征向量。上述帧特征向量可以有j维。上述特征矩阵308中可以包括i个帧特征向量。上述数据库服务器305中还可以存储有预设的视频库309和与之对应的特征矩阵310。其中，上述特征矩阵Yn可以包括与视频库中第n个视频对应的特征矩阵。相应地，上述特征矩阵310中的行向量
Figure BDA0002592147660000112
可以用于表征与从上述视频库中第n个视频提取的第一帧对应的帧特征向量。上述帧特征向量可以有j维。上述特征矩阵310中可以包括i个帧特征向量。接下来，后台服务器304可以根据上述所成的特征矩阵308与上述特征矩阵310的相似度，从上述预设视频库中选取相似度最高若干个的特征矩阵310所对应的视频作为匹配的视频311。可选地，上述后台服务器304还可以将上述匹配的视频311或对应的链接发送至终端302。
目前，现有技术之一通常是通过各种特征聚合手段将所提取的视频帧对应的视频聚合成视频特征向量进行视频匹配，导致一方面在视频特征向量聚合过程中损失一部分帧特征，另一方面在提取到劣质帧(例如存在运动模糊、遮挡和镜头失焦等问题的视频帧)时会因其区分性不高的帧特征而导致整个视频的特征质量不高，进而影响视频匹配的效果。而本申请的上述实施例提供的方法，通过将从视频中提取的帧特征向量形成与视频对应的特征矩阵，可以更完整地保留帧特征；而且，还通过矩阵之间的相似度计算，对两个视频所包含的视频帧之间进行更为精细化的匹配，降低了劣质帧对整体视频匹配的影响，从而提高了视频匹配的准确度。
进一步参考图4，其示出了用于训练视频特征提取模型的方法的又一个实施例的流程400。该用于训练视频特征提取模型的方法的流程400，包括以下步骤：
步骤401，获取初始视频特征提取模型。
在本实施例中，用于训练视频特征提取模型的方法的执行主体(例如图1所示的服务器105或107)可以通过各种方式获取初始视频特征提取模型。其中，上述视频特征提取模型可以包括各种用于视频特征提取的人工神经网络(Artificial Neural Network，ANN)，例如卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(RecurrentNeural Networks,RNN)、长短期记忆网络(Long short-term memory,LSTM)、门控循环单元(Gate Recurrent Unit，GRU)、Transformer模型的编码器模块。
在本实施例中，上述执行主体可以从本地获取预先存储的初始模型，也可以从通信连接的电子设备获取上述初始模型，在此不作限定。
在本实施例的一些可选的实现方式中，上述初始视频特征提取模型中可以包括L2归一化层。
步骤402，从预设的第一视频数据集中选取具有相似标注的样本对。
在本实施例中，上述执行主体可以从预设的第一视频数据集中选取具有相似标注的样本对。其中，上述样本对可以包括参考样本(anchor)和正样本(positive)。上述预设的第一视频数据集中通常具有两个样本之间是否相似的标注。作为示例，上述第一视频集数据可以包括用于视频中部分拷贝检测的大规模数据集(a large-scale database forpartial copy detection in videos,VCDB)中的核心集(core dataset)。
可以理解，上述参考样本和正样本均为上述第一视频数据集中的视频。
步骤403，从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本。
在本实施例中，上述执行主体可以从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本。其中，上述第一视频数据集与上述第二视频数据集的交集所对应的视频时长通常小于预设时长。可见，上述第二视频数据集中的样本通常与上述第一视频数据集中的样本尽可能地不相似。作为示例，上述第二视频数据集可以包括上述VCDB中的干扰集(background dataset)。还可以理解，上述负样本为上述第二视频数据集中的视频。
在本实施例中，上述第一视频数据集和第二视频数据集可以通过各种方式获取。作为示例，上述执行主体可以首先获取包括相似标注的样本对集合作为第一视频数据集。而后，上述执行主体可以通过各种视频网站、自媒体平台等获取大量(例如十倍于第一视频数据集包括的视频数目)的视频。基于上述所获取的大量的视频，上述执行主体可以生成上述第二视频数据集。作为又一示例，上述执行主体可以首先从各种视频网站、自媒体平台等获取大量的(例如100,000个)视频。而后，上述执行主体可以按照预设的比例从上述所获取的视频中选取一部分进行视频间是否相似的标注。之后，上述执行主体可以将标注好的视频集合确定为上述第一视频数据集；以及基于上述所获取的大量的视频，上述执行主体可以生成上述第二视频数据集。可选地，上述执行主体可以直接将上述所获取的大量的视频确定为上述第二视频数据集。可选地，上述执行主体也可以首先从上述所获取的大量的视频中过滤出与上述第一视频数据集中的视频相似的视频，将过滤后的大量的视频确定为上述第二视频数据集。
在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本：
第一步，获取针对初始视频特征提取模型进行并行训练的样本批次的数目。
在这些实现方式中，上述执行主体可以获取针对上述步骤401所获取的初始视频特征提取模型进行并行训练的样本批次的数目。其中，上述执行主体可以采用并行训练的方式，同时训练若干批次(batch)的样本。
第二步，对于并行训练的各样本批次，从预设的第一视频数据集中选取具有相似标注的样本对。
在这些实现方式中，对于并行训练的每一批样本，上述执行主体可以从预设的第一视频数据集中选取具有相似标注的样本对。其中，上述样本对可以包括参考样本和正样本。
步骤404，提取样本对和至少两个负样本各自对应的视频特征。
在本实施例中，上述执行主体可以通过各种方式提取上述步骤402所选取的样本对和步骤403所选取的至少两个负样本各自对应的视频特征。其中，上述视频特征可以包括特征向量。作为示例，上述执行主体可以首先从各样本中提取目标数目的视频帧。而后，上述执行主体可以将对应与同一个视频的各视频帧的帧特征向量进行聚合，从而生成与各视频对应的特征向量。其中，上述聚合可以包括取平均，也可以包括采用NetVLAD网络或NeXtVLAD网络将视频所对应的多个帧特征向量聚合成视频对应的特征向量。
在本实施例的一些可选的实现方式中，上述视频特征包括视频对应的视频帧向量所形成的视频特征矩阵。在这些实现方式中，上述执行主体可以采用前述实施例中步骤201至步骤203及其可选的实现方式所描述的方法，在此不再赘述。
步骤405，基于预设的对比损失函数，调整初始视频特征提取模型的参数。
在本实施例中，上述执行主体可以基于预设的对比损失函数，通过各种方式调整初始视频特征提取模型的参数。其中，上述对比损失函数计算的损失值基于上述参考样本和正样本经过上述初始视频特征提取模型所得到的视频特征之间的相似度以及上述参考样本与上述至少两个负样本经过上述初始视频特征提取模型所得到的视频特征之间的相似度而确定。其中，上述经过上述初始视频特征提取模型可以用于表征模型的正向推理(Forward Reasoning)过程。
作为示例，上述对比损失函数可以包括caffe的孪生神经网络(siamese network)中所采用的损失函数(contrastive loss)，如公式(6)所示：
Figure BDA0002592147660000151
其中，上述d可以用于表征两个样本对应的特征an、bn之间的欧式距离。上述y可以用于表征两个样本是否匹配的标签。当y＝1时用于表征两个样本相似或者匹配(如参考样本和正样本)。当y＝0时则用于表征两个样本不匹配(如参考样本和负样本)。上述m可以用于表征预先设定的阈值。上述N可以用于表征样本的数目。
可以理解，欧式距离越大，相似度越小。从而，上述执行主体可以通过调整上述初始视频特征提取模型的参数，使得上述损失函数计算的损失值趋于最小。
在本实施例的一些可选的实现方式中，上述对比损失函数计算的损失值可以通过以下步骤确定：
第一步，将所选取的、与并行训练的各样本批次的参考样本对应的至少两个负样本组成负样本集合。
在这些实现方式中，上述执行主体可以将所选取的、与并行训练的各样本批次的参考样本对应的至少两个负样本组成负样本集合。从而，上述执行主体可以将同时训练的若干批次的参考样本分别对应的至少两个负样本集中起来，形成负样本集合。
第二步，确定参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与负样本集合中各负样本经过初始视频特征提取模型所得到的视频特征之间的相似度。
在这些实现方式中，上述执行主体可以分别确定参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与负样本集合中各负样本经过初始视频特征提取模型所得到的视频特征之间的相似度。其中，上述相似度可以用于表征样本之间的相似程度。从而，上述执行主体可以得到(1+k·n)个相似度结果。其中，上述k可以用于表征并行训练的样本批次的数目。上述n可以用于表征上述至少两个的具体数目。
可选地，上述负样本集合可以包括内存池形式。
基于上述可选的实现方式，在利用每个参考样本进行训练的过程中都可以利用多个负样本，与现有视频检索方法所广泛采用的每次只能利用一个负样本的三元组损失(Triplet loss)训练方法相比，有效提升了负样本的利用效率，进而有助于模型的收敛，提升训练速度。
第三步，基于所确定的相似度，利用预设的对比损失函数确定损失值。
在本实施例的一些可选的实现方式中，基于上述初始视频特征提取模型包括的L2归一化层，上述对比损失函数可以包括基于softmax的损失函数。
基于上述可选的实现方式，上述执行主体可以在模型的训练过程中利用上述L2归一化层对视频特征进行归一化操作。由于神经网络训练过程的反向传播(BackPropagation)特性，通过特征归一化操作会使得具有较小幅值的特征得到一个较大的梯度的幅值，因此归一化层往往会倾向于优化具有较小幅值的特征的样本。并且，现有的一些研究发现，较小幅值的特征往往代表着比较难以区分的类别。因此，利用上述L2归一化层会达到类似于难样本(hard sample)挖掘的技术效果，从而极大地减少了利用传统三元组损失进行训练的难样本挖掘过程所耗费的时间。此外，由于权重的幅值会影响特征空间的分配，因此上述执行主体还可以进一步利用上述基于softmax的对比损失函数对模型的权重进行归一化操作，从而使得特征空间的分配更加均匀，进而缓解了类不均衡问题。
可选地，上述对比损失函数包括以下至少一项：InfoNCE损失，Circle损失。
在本实施例的一些可选的实现方式中，基于上述视频特征包括的视频对应的视频帧向量所形成的视频特征矩阵，上述视频特征之间的相似度可以包括基于上述视频特征矩阵所形成的特征向量之间的相似度。其中，上述基于上述视频特征矩阵所形成的特征向量可以包括通过上述步骤404所描述的特征聚合而生成的特征向量。上述相似度例如可以包括余弦相似度或余弦距离。
基于上述可选的实现方式，上述执行主体可以在模型训练过程中采用数据量较少的视频级特征向量之间的相似度来计算损失值，从而避免了训练过程中大量视频按照帧级别特征向量进行相似度比较而造成的对显存容量的大量消耗。
从图4中可以看出，本实施例中的用于训练视频特征提取模型的方法的流程400体现了从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本的步骤，以及基于参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与至少两个负样本经过初始视频特征提取模型所得到的视频特征之间的相似度确定模型训练的损失值的步骤。由此，本实施例描述的方案可以在利用参考样本进行训练的过程中使用多个负样本，与现有视频检索方法所广泛采用的每次只能利用一个负样本的三元组损失训练方法相比，有效提升了负样本的利用效率，进而有助于模型的收敛，提升训练速度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于匹配视频的装置的一个实施例，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，本实施例提供的用于匹配视频的装置500包括视频获取单元501、帧提取单元502、特征提取单元503和匹配单元504。其中，视频获取单元501，被配置成获取待匹配视频；帧提取单元502，被配置成从待匹配视频中提取目标数目的视频帧，生成视频帧集合；特征提取单元503，被配置成提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵，其中，特征矩阵的行或列与视频帧集合中的视频帧对应的帧特征向量对应；匹配单元504，被配置成根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从预设视频库中选取匹配的视频。
在本实施例中，用于匹配视频的装置500中：视频获取单元501、帧提取单元502、特征提取单元503和匹配单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述特征提取单元503可以包括提取模块(图中未示出)、排列模块(图中未示出)。其中，上述提取模块可以被配置成将视频帧集合中的各视频帧输入至预先训练的视频特征提取模型，生成与视频帧集合中的各视频帧对应的帧特征向量。上述排列模块可以被配置成将所生成的各帧特征向量按照对应的视频帧在待匹配视频中的时间顺序排列，生成与待匹配视频对应的特征矩阵。
在本实施例的一些可选的实现方式中，上述相似度可以包括倒角相似度或对称的倒角相似度，上述视频特征提取模型可以基于特征矩阵所形成的特征向量之间的相似度关联的损失函数训练得到。
本申请的上述实施例提供的装置，通过视频获取单元501获取待匹配视频。而后，帧提取单元502从待匹配视频中提取目标数目的视频帧，生成视频帧集合。之后，特征提取单元503提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵。其中，特征矩阵的行或列与视频帧集合中的视频帧对应的帧特征向量对应。最后，匹配单元504根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从预设视频库中选取匹配的视频。从而可以更完整地保留帧特征，并且可以对两个视频所包含的视频帧之间进行更为精细化的匹配，从而降低了劣质帧对整体视频匹配的影响，进而提高了视频匹配的准确度。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了用于训练视频特征提取模型的装置的一个实施例，该装置实施例与图4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6所示，本实施例提供的用于训练视频特征提取模型的装置600包括模型获取单元601、第一选取单元602、第二选取单元603、视频特征提取单元604和调整单元605。其中，模型获取单元601，被配置成获取初始视频特征提取模型；第一选取单元602，被配置成从预设的第一视频数据集中选取具有相似标注的样本对，其中，样本对包括参考样本和正样本；第二选取单元603，被配置成从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本；视频特征提取单元604，被配置成提取样本对和至少两个负样本各自对应的视频特征；调整单元605，被配置成基于预设的对比损失函数，调整初始视频特征提取模型的参数，其中，对比损失函数计算的损失值基于参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与至少两个负样本经过初始视频特征提取模型所得到的视频特征之间的相似度而确定。
在本实施例中，用于训练视频特征提取模型的装置600中：获取单元601、第一选取单元602、第二选取单元603、视频特征提取单元604和调整单元605的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401、步骤402、步骤403、步骤404和步骤405的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，第一选取单元602可以包括：获取模块(图中未示出)、选取模块(图中未示出)。其中，上述获取模块，可以被配置成获取针对初始视频特征提取模型进行并行训练的样本批次的数目。上述选取模块，可以被配置成对于并行训练的各样本批次，从预设的第一视频数据集中选取具有相似标注的样本对。
在本实施例的一些可选的实现方式中，上述对比损失函数计算的损失值可以通过以下步骤确定：将所选取的、与并行训练的各样本批次的参考样本对应的至少两个负样本组成负样本集合；确定参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与负样本集合中各负样本经过初始视频特征提取模型所得到的视频特征之间的相似度；基于所确定的相似度，利用预设的对比损失函数确定损失值。
在本实施例的一些可选的实现方式中，上述初始视频特征提取模型中可以包括L2归一化层，上述对比损失函数可以包括基于softmax的损失函数。
在本实施例的一些可选的实现方式中，上述对比损失函数可以包括以下至少一项：InfoNCE损失，Circle损失。
在本实施例的一些可选的实现方式中，上述视频特征可以包括视频对应的视频帧向量所形成的视频特征矩阵。
在本实施例的一些可选的实现方式中，上述视频特征之间的相似度可以包括基于视频特征矩阵所形成的特征向量之间的相似度。
本申请的上述实施例提供的装置，通过模型获取单元601获取初始视频特征提取模型。而后，第一选取单元602从预设的第一视频数据集中选取具有相似标注的样本对。其中，样本对包括参考样本和正样本。之后，第二选取单元603从与第一视频数据集对应的第二视频数据集中选取至少两个样本作为参考样本的负样本。接下来，视频特征提取单元604提取样本对和至少两个负样本各自对应的视频特征。最后，调整单元605基于预设的对比损失函数，调整初始视频特征提取模型的参数。其中，对比损失函数计算的损失值基于参考样本和正样本经过初始视频特征提取模型所得到的视频特征之间的相似度以及参考样本与至少两个负样本经过初始视频特征提取模型所得到的视频特征之间的相似度而确定。从而有效提升了负样本的利用效率，进而有助于模型的收敛，提升训练速度。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器)700的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD，LiquidCrystal Display)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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7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，根据本申请的实施例，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，本申请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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本申请的实施例的方法中限定的上述功能。
需要说明的是，本申请的实施例所述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。在本申请的实施例中，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。而在本申请的实施例中，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(Radio Frequency，射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取待匹配视频；从待匹配视频中提取目标数目的视频帧，生成视频帧集合；提取视频帧集合中的各视频帧对应的帧特征向量，生成与待匹配视频对应的特征矩阵，其中，特征矩阵的行或列与视频帧集合中的视频帧对应的帧特征向量对应；根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从预设视频库中选取匹配的视频。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言、Python或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请的各种实施例的系统、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，包括视频获取单元、帧提取单元、特征提取单元和匹配单元。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，视频获取单元还可以被描述为“获取待匹配视频的单元”。
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，本申请的实施例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实施例中公开的(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 (14)

1.一种用于匹配视频的方法，包括：
获取待匹配视频；
从所述待匹配视频中提取目标数目的视频帧，生成视频帧集合；
提取所述视频帧集合中的各视频帧对应的帧特征向量，生成与所述待匹配视频对应的特征矩阵，其中，所述特征矩阵的行或列与所述视频帧集合中的视频帧对应的帧特征向量对应；
根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从所述预设视频库中选取匹配的视频。
2.根据权利要求1所述的方法，其中，所述提取所述视频帧集合中的各视频帧对应的帧特征向量，生成与所述待匹配视频对应的特征矩阵，包括：
将所述视频帧集合中的各视频帧输入至预先训练的视频特征提取模型，生成与所述视频帧集合中的各视频帧对应的帧特征向量；
将所生成的各帧特征向量按照对应的视频帧在所述待匹配视频中的时间顺序排列，生成与所述待匹配视频对应的特征矩阵。
3.根据权利要求1所述的方法，其中，所述相似度包括倒角相似度或对称的倒角相似度，所述视频特征提取模型基于所述特征矩阵所形成的特征向量之间的相似度关联的损失函数训练得到。
4.一种用于训练视频特征提取模型的方法，包括：
获取初始视频特征提取模型；
从预设的第一视频数据集中选取具有相似标注的样本对，其中，所述样本对包括参考样本和正样本；
从与所述第一视频数据集对应的第二视频数据集中选取至少两个样本作为所述参考样本的负样本；
提取所述样本对和所述至少两个负样本各自对应的视频特征；
基于预设的对比损失函数，调整所述初始视频特征提取模型的参数，其中，所述对比损失函数计算的损失值基于所述参考样本和正样本经过所述初始视频特征提取模型所得到的视频特征之间的相似度以及所述参考样本与所述至少两个负样本经过所述初始视频特征提取模型所得到的视频特征之间的相似度而确定。
5.根据权利要求4所述的方法，其中，所述从预设的第一视频数据集中选取具有相似标注的样本对，包括：
获取针对所述初始视频特征提取模型进行并行训练的样本批次的数目；
对于所述并行训练的各样本批次，从预设的第一视频数据集中选取具有相似标注的样本对。
6.根据权利要求5所述的方法，所述对比损失函数计算的损失值通过以下步骤确定：
将所选取的、与所述并行训练的各样本批次的参考样本对应的至少两个负样本组成负样本集合；
确定所述参考样本和正样本经过所述初始视频特征提取模型所得到的视频特征之间的相似度以及所述参考样本与所述负样本集合中各负样本经过所述初始视频特征提取模型所得到的视频特征之间的相似度；
基于所确定的相似度，利用预设的对比损失函数确定损失值。
7.根据权利要求4所述的方法，其中，所述初始视频特征提取模型中包括L2归一化层，所述对比损失函数包括基于softmax的损失函数。
8.根据权利要求7所述的方法，其中，所述对比损失函数包括以下至少一项：InfoNCE损失，Circle损失。
9.根据权利要求4-8之一所述的方法，其中，所述视频特征包括视频对应的视频帧向量所形成的视频特征矩阵。
10.根据权利要求9所述的方法，其中，所述视频特征之间的相似度包括基于所述视频特征矩阵所形成的特征向量之间的相似度。
11.一种用于匹配视频的装置，包括：
视频获取单元，被配置成获取待匹配视频；
帧提取单元，被配置成从所述待匹配视频中提取目标数目的视频帧，生成视频帧集合；
特征提取单元，被配置成提取所述视频帧集合中的各视频帧对应的帧特征向量，生成与所述待匹配视频对应的特征矩阵，其中，所述特征矩阵的行或列与所述视频帧集合中的视频帧对应的帧特征向量对应；
匹配单元，被配置成根据所生成的特征矩阵与预设视频库中的视频对应的特征矩阵之间的相似度，从所述预设视频库中选取匹配的视频。
12.一种用于训练视频特征提取模型的装置，包括：
模型获取单元，被配置成获取初始视频特征提取模型；
第一选取单元，被配置成从预设的第一视频数据集中选取具有相似标注的样本对，其中，所述样本对包括参考样本和正样本；
第二选取单元，被配置成从与所述第一视频数据集对应的第二视频数据集中选取至少两个样本作为所述参考样本的负样本；
视频特征提取单元，被配置成提取所述样本对和所述至少两个负样本各自对应的视频特征；
调整单元，被配置成基于预设的对比损失函数，调整所述初始视频特征提取模型的参数，其中，所述对比损失函数计算的损失值基于所述参考样本和正样本经过所述初始视频特征提取模型所得到的视频特征之间的相似度以及所述参考样本与所述至少两个负样本经过所述初始视频特征提取模型所得到的视频特征之间的相似度而确定。
13.一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
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1-10中任一所述的方法。
14.一种计算机可读介质，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1-10中任一所述的方法。
CN202010698364.7A 2020-07-20 2020-07-20 用于匹配视频的方法、装置、电子设备和介质 Active CN111831855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010698364.7A CN111831855B (zh) 2020-07-20 2020-07-20 用于匹配视频的方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010698364.7A CN111831855B (zh) 2020-07-20 2020-07-20 用于匹配视频的方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN111831855A true CN111831855A (zh) 2020-10-27
CN111831855B CN111831855B (zh) 2022-09-27

Family

ID=72923092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010698364.7A Active CN111831855B (zh) 2020-07-20 2020-07-20 用于匹配视频的方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN111831855B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861963A (zh) * 2021-02-04 2021-05-28 北京三快在线科技有限公司 训练实体特征提取模型的方法、装置和存储介质
CN113378902A (zh) * 2021-05-31 2021-09-10 深圳神目信息技术有限公司 一种基于优化视频特征的视频抄袭检测方法
CN113705589A (zh) * 2021-10-29 2021-11-26 腾讯科技（深圳）有限公司 数据处理方法、装置及设备
CN114155254A (zh) * 2021-12-09 2022-03-08 成都智元汇信息技术股份有限公司 基于图像校正的切图方法、电子设备及介质
CN115695904A (zh) * 2021-07-21 2023-02-03 广州视源电子科技股份有限公司 视频的处理方法、装置、计算机存储介质及智能交互平板

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105025392A (zh) * 2015-06-25 2015-11-04 西北工业大学 基于摘要空间特征学习的视频摘要关键帧提取方法
CN109492128A (zh) * 2018-10-30 2019-03-19 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN110069783A (zh) * 2019-04-30 2019-07-30 科大讯飞股份有限公司 一种答题内容评测方法及装置
CN110298270A (zh) * 2019-06-14 2019-10-01 天津大学 一种基于跨模态重要性感知的多视频摘要方法
CN110309874A (zh) * 2019-06-28 2019-10-08 阿里巴巴集团控股有限公司 负样本筛选模型训练方法、数据筛选方法和数据匹配方法
CN110321958A (zh) * 2019-07-08 2019-10-11 北京字节跳动网络技术有限公司 神经网络模型的训练方法、视频相似度确定方法
CN111339368A (zh) * 2020-02-20 2020-06-26 同盾控股有限公司 基于视频指纹的视频检索方法、装置和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105025392A (zh) * 2015-06-25 2015-11-04 西北工业大学 基于摘要空间特征学习的视频摘要关键帧提取方法
CN109492128A (zh) * 2018-10-30 2019-03-19 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN110069783A (zh) * 2019-04-30 2019-07-30 科大讯飞股份有限公司 一种答题内容评测方法及装置
CN110298270A (zh) * 2019-06-14 2019-10-01 天津大学 一种基于跨模态重要性感知的多视频摘要方法
CN110309874A (zh) * 2019-06-28 2019-10-08 阿里巴巴集团控股有限公司 负样本筛选模型训练方法、数据筛选方法和数据匹配方法
CN110321958A (zh) * 2019-07-08 2019-10-11 北京字节跳动网络技术有限公司 神经网络模型的训练方法、视频相似度确定方法
CN111339368A (zh) * 2020-02-20 2020-06-26 同盾控股有限公司 基于视频指纹的视频检索方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
饶官军等: "基于相似性负采样的知识图谱嵌入", 《智能系统学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861963A (zh) * 2021-02-04 2021-05-28 北京三快在线科技有限公司 训练实体特征提取模型的方法、装置和存储介质
CN113378902A (zh) * 2021-05-31 2021-09-10 深圳神目信息技术有限公司 一种基于优化视频特征的视频抄袭检测方法
CN113378902B (zh) * 2021-05-31 2024-02-23 深圳神目信息技术有限公司 一种基于优化视频特征的视频抄袭检测方法
CN115695904A (zh) * 2021-07-21 2023-02-03 广州视源电子科技股份有限公司 视频的处理方法、装置、计算机存储介质及智能交互平板
CN113705589A (zh) * 2021-10-29 2021-11-26 腾讯科技（深圳）有限公司 数据处理方法、装置及设备
CN114155254A (zh) * 2021-12-09 2022-03-08 成都智元汇信息技术股份有限公司 基于图像校正的切图方法、电子设备及介质

Also Published As

Publication number Publication date
CN111831855B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN111831855B (zh) 用于匹配视频的方法、装置、电子设备和介质
CN108830235B (zh) 用于生成信息的方法和装置
CN108416310B (zh) 用于生成信息的方法和装置
CN110321958B (zh) 神经网络模型的训练方法、视频相似度确定方法
CN109872242B (zh) 信息推送方法和装置
CN110188719B (zh) 目标跟踪方法和装置
CN109961032B (zh) 用于生成分类模型的方法和装置
CN111414543B (zh) 用于生成评论信息序列的方法、装置、电子设备和介质
CN112149699B (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN112650841A (zh) 信息处理方法、装置和电子设备
CN117238451B (zh) 训练方案确定方法、装置、电子设备和存储介质
CN111680761B (zh) 信息反馈方法、装置和电子设备
WO2015148420A1 (en) User inactivity aware recommendation system
CN111783731B (zh) 用于提取视频特征的方法和装置
CN112990176A (zh) 书写质量评价方法、装置和电子设备
CN113256339A (zh) 资源投放的方法、装置、存储介质及电子设备
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
WO2021012691A1 (zh) 用于检索图像的方法和装置
CN112241761A (zh) 模型训练方法、装置和电子设备
CN111797822A (zh) 文字对象评价方法、装置和电子设备
CN111782933A (zh) 用于推荐书单的方法和装置
CN113255819B (zh) 用于识别信息的方法和装置
CN116109374A (zh) 资源位展示方法、装置、电子设备和计算机可读介质
CN113255812A (zh) 视频边框检测方法、装置和电子设备
CN114595346A (zh) 内容检测模型的训练方法、内容检测方法及装置

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