CN112650885A - 视频分类方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种视频分类方法、装置、设备和介质，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域。实现方案为：对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及将所述多个目标视频帧输入训练好的神经网络模型，获取所述神经网络模型输出的所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。

Description

视频分类方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，具体涉及一种视频分类方法、装置、设备和介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

近年来，随着社会发展和科技进步，人们的生活水平日益丰富、休闲娱乐的方式逐步发生变化，对于直播类产品的需求急速增长。然而在直播平台上经常会出现未成年人直播的现象，对未成年人的生活和学习带来较大影响。因此，如何在海量直播视频中识别出未成年人直播成为了直播类产品需要迫切解决的问题。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种视频分类方法、装置、设备和介质。

根据本公开的一方面，提供了一种由计算机实现的利用神经网络模型对视频进行分类的方法，包括：对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及将所述多个目标视频帧输入训练好的神经网络模型，获取所述神经网络模型输出的所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。

根据本公开的另一方面，提供了一种由计算机实现的用于确定视频是否包括未成年人的神经网络模型的训练方法，包括：对第一样本视频进行抽帧，以得到多个第一样本视频帧，并标注所述多个第一样本视频帧中的每一个第一样本视频帧的第一真实样本类别和时间标签，其中，所述多个第一样本视频帧的第一真实样本类别相同；将所述多个第一样本视频帧输入所述神经网络模型，获取所述神经网络模型输出的所述第一样本视频的第一预测样本类别；基于所述第一真实样本类别和所述第一预测样本类别，计算损失值；以及基于所述损失值，调整所述神经网络模型的参数。

根据本公开的另一方面，提供了一种对视频进行分类的装置，包括：抽帧单元，被配置用于对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及神经网络模型，被配置用于基于输入的所述多个目标视频帧输，输出所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。

根据本公开的另一方面，提供了一种神经网络模型训练装置，包括：抽帧单元，被配置用于对第一样本视频进行抽帧，以得到多个第一样本视频帧，并标注所述多个第一样本视频帧中每一个第一样本视频帧的第一真实样本类别和时间标签，其中，所述多个第一样本视频帧的第一真实样本类别相同；神经网络模型，被配置用于基于输入的所述多个第一样本视频帧，输出所述第一样本视频的第一预测样本类别；计算单元，被配置用于基于所述第一真实样本类别和所述第一预测样本类别，计算损失值；以及调参单元，被配置用于基于所述损失值，调整所述神经网络模型的参数。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述对视频进行分类的方法或神经网络模型的训练方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述对视频进行分类的方法或神经网络模型的训练方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述对视频进行分类的方法或神经网络模型的训练方法。

根据本公开的一个或多个实施例，通过对目标视频进行抽帧，并将抽帧后得到的多个目标视频帧输入训练好的神经网络模型，以获取能够表征所述目标视频是否包括未成年人的预测类别，从而使得神经网络模型能够实现基于视频的多个视频帧输出视频分类结果的端到端预测，在实现实时检测的同时只消耗较少的资源，并且保证了高准确率和高容错率。另外，通过增加多个目标视频帧的时间维度信息，能够引入视频的多个视频帧在时间维度上的关联性，进一步提高视频预测类别的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1-图2示出了根据本公开的实施例的对视频进行分类的方法的流程图；

图3-图4示出了根据本公开的实施例的神经网络模型的训练方法的流程图；

图5示出了根据本公开的实施例的对视频进行分类的装置的结构框图；

图6示出了根据本公开的实施例的神经网络模型训练装置的结构框图；以及

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，未成年人识别是通过人脸检测、人脸校正和人脸年龄识别来实现的。这种方法流程复杂、性能差，无法满足视频级别的实时检测，并且由于这种方法的多个环节之间的耦合程度高，其中一个步骤出现问题则会导致整个流程失效，因此其容错率很低。

为解决上述问题，本公开通过通过对目标视频进行抽帧，并将抽帧后得到的多个目标视频帧输入训练好的神经网络模型，以获取能够表征所述目标视频是否包括未成年人的预测类别，从而使得神经网络模型能够实现基于视频的多个视频帧输出视频分类结果的端到端预测，在实现实时检测的同时只消耗较少的资源，并且保证了高准确率和高容错率。另外，通过增加多个目标视频帧的时间维度信息，能够引入视频的多个视频帧在时间维度上的关联性，进一步提高视频预测类别的准确性。

下面将结合附图详细描述本公开的实施例。

图1是示出根据本公开示例性实施例的对视频进行分类的方法的流程图。如图1所示，对视频进行分类的方法可以包括：步骤S101、对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及步骤S102、将所述多个目标视频帧输入训练好的神经网络模型，获取所述神经网络模型输出的所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。由此，通过对目标视频进行抽帧，并将抽帧后得到的多个目标视频帧输入训练好的神经网络模型，以获取能够表征所述目标视频是否包括未成年人的预测类别，从而使得神经网络模型能够实现基于视频的多个视频帧输出视频分类结果的端到端预测，在实现实时检测的同时只消耗较少的资源，并且保证了高准确率和高容错率。另外，通过增加多个目标视频帧的时间维度信息，能够引入视频的多个视频帧在时间维度上的关联性，进一步提高视频预测类别的准确性。

根据一些实施例，目标视频例如可以是直播视频。

根据一些实施例，目标视频的预测类别例如可以包括未成年人单独出镜类别、未成年人与成年人同时出镜类别和其他类别。通过如上预测类别设置方式，可以在神经网络模型输出上述预测类别时对直播间进行提示、警告、甚至执行关闭操作。示例性的，可以在检测到未成年人与成年人同时出镜时对直播间进行提示或警告，可以在检测到未成年人单独出镜时关闭直播间。

目标视频例如可以为具有预设时长的视频。预设时长例如可以设置为15秒、30秒、45秒，也可以设置为其他时长，在此不做限定。对目标视频进行抽帧例如可以是将目标视频均等分为预设数量的片段后，在每个片段内选取一帧，也可以是将目标视频按预设抽帧间隔进行抽帧，还可以采用其他抽帧方式进行抽帧，在此不做限定。示例性的，目标视频的长度为45秒，将其以一秒为单位分割为45个片段，再在每个片段中随机抽取一帧作为目标视频帧。

根据一些实施例，多个目标视频帧的时间标签例如可以是单独标出的每一个目标视频帧的时间标签，也可以是由输入神经网络模型时多个目标视频帧的序列关系所表征的多个目标视频帧的时间先后关系，在此不做限定。

根据一些实施例，如图2所示，对视频进行分类的方法还可以包括：步骤S201、获取原始视频；以及步骤S202、将所述原始视频进行切分，以得到至少一个目标视频，其中，所述至少一个目标视频中的每一个目标视频所包括的视频帧的数量位于第一预设范围内。图2中的步骤S203、S205与图1中的步骤S101-S102类似。由此，通过对原始视频进行切分以得到目标视频，并且每一个目标视频所包括的视频帧的数量均在第一预设范围内，使得神经网络模型一次仅处理一定数量的视频帧，从而降低了神经网络模型的资源需求，并提升了神经网络模型的处理速度与性能。

原始视频例如可以是由直播间上传的原始视频，通常情况下其长度大于上述预设时长。例如可以根据上述设置好的预设时长对原始视频进行切分，也可以根据预设帧数对原始视频进行切分，在此不做限定。视频帧数量的第一预设范围例如可以是与上述预设时长相应的范围，也可以另行设置。第一预设范围的上限可以保证目标视频的长度不会过长，从而降低神经网络模型对于显存资源、计算资源的需求，而第一预设范围的下限可以保证神经网络模型能够同时处理一定数量的视频帧，从而提升了神经网络模型的处理速度与性能。

根据一些实施例，如图2所示，对视频进行分类的方法还可以包括：步骤S204、对所述多个目标视频帧进行预处理。由此，通过对目标视频帧进行预处理，使得输入神经网络模型的多个目标视频帧的大小、形状、明暗程度等指标能够保持一致，使得神经网络模型能够同时处理这些目标视频帧，并能提升神经网络模型进行预测的准确率。

根据一些实施例，预处理例如可以包括缩放、裁剪、归一化和增强中的至少一项。可以理解的是，预处理还可以包括其他对视频帧进行处理的方法，例如旋转、拉伸、变形等，在此不做限定。

根据一些实施例，神经网络模型例如可以选择膨胀三维卷积网络(inflated 3DConvNet，I3D)或时序分割网络(Temporal Segment Network，TSN)。由此，通过使用I3D或者TSN作为神经网络模型，使得其能够基于视频输入以输出对该视频的预测类别，并且上述网络能够满足实时检测能力、准确率和容错率等方面的需求。

根据一些实施例，基于输入的多个目标视频帧，神经网络模型例如可以通过计算每个目标视频帧的中间结果(例如特征图、特征向量、目标视频帧的预测类别及其置信度等等)，再将所有目标视频帧的中间结果进行运算以得到目标视频对于每个预测类别的置信度，进而根据该置信度确定该目标视频的预测类别。示例性的，神经网络模型例如可以计算每个目标视频帧对于每个预测类别的置信度，再将这些置信度按预测类别进行均值计算，以得到目标视频对于每个预测类别的置信度，进而将这些置信度与预设阈值进行比较以确定该目标视频的预测类别。将未成年人单独出镜设置为类别1，将未成年人与成年人同时出镜设置为类别2，将其他设置为类别0，则可以以下述方式确定目标视频的预测类别：若类别1的置信度大于类别1的阈值，则目标视频的预测类别为类别1；若类别2的置信度大于类别2的阈值，则目标视频的预测类别为类别2；否则目标视频的预测类别为类别0。可以理解的是，以上仅为一种确定目标视频的预测类别的方法，也可以使用其他方法确定目标视频的预测类别，例如对所有预测类别的置信度做归一化后取最大值对应的类别作为预测类别等，在此不做限定。

根据一些实施例，神经网络模型例如包括时序平移模组(Temporal ShiftModule，TSM)。由此，通过使用时序平移模组，使得神经网络模型在计算与每个视频帧对应的预测类别及其置信度时，能够基于视频帧的在先帧或在后帧的特征信息进行计算，从而能够基于视频的时序信息进行预测，进而提升了神经网络模型对有时序关系的视频帧进行预测的准确率。

根据本公开的另一方面，提供了一种由计算机实现的用于确定视频是否包括未成年人的神经网络模型的训练方法。如图3所示，训练方法可以包括：步骤S301、对第一样本视频进行抽帧，以得到多个第一样本视频帧，并标注所述多个第一样本视频帧中每一个第一样本视频帧的第一真实样本类别和时间标签，其中，所述多个第一样本视频帧的第一真实样本类别相同；步骤S302、将所述多个第一样本视频帧输入所述神经网络模型，获取所述神经网络模型输出的所述第一样本视频的第一预测样本类别；步骤S303、基于所述第一真实样本类别和所述第一预测样本类别，计算损失值；以及步骤S304、基于所述损失值，调整所述神经网络模型的参数。由此，通过上述训练方式，使得训练好的神经网络模型能够实现基于视频的多个视频帧输出视频分类结果的端到端预测，并且在实现实时检测的同时只消耗较少的资源，并保证了高准确率和高容错率。另外，通过增加多个目标视频帧的时间维度信息，能够引入视频的多个视频帧在时间维度上的关联性，进一步提高视频预测类别的准确性。

根据一些实施例，第一样本视频例如可以是直播视频，第一样本视频的预测类别例如可以包括未成年人单独出镜类别、未成年人与成年人同时出镜类别和其他类别。第一样本视频的时长、抽帧与上述目标视频的时长、抽帧类似，在此不再赘述。

根据一些实施例，多个第一样本视频帧的时间标签例如可以是单独标出的每一个第一样本视频帧的时间标签，也可以是由输入神经网络模型时多个第一样本视频帧的序列关系所表征的多个目标视频帧的时间先后关系，在此不做限定。

根据一些实施例，如图4所示，训练方法还可以包括：步骤S401、获取第一原始视频；步骤S402、标注所述第一原始视频中的每一个视频帧的真实类别；以及步骤S403、将所述第一原始视频进行切分，以得到所述第一原始视频的至少一个第一样本视频，其中，每一个第一样本视频所包括的视频帧数量均在第一预设范围内，并且所述每一个第一样本视频所包括的每一个视频帧的真实类别相同。图4中步骤S404-S407与图3中步骤S301-S304类似。由此，通过对第一原始视频进行标注与切分，以得到至少一个第一样本视频，并且每一个第一样本视频所包括的视频帧的数量在第一预设范围内，使得神经网络模型一次仅处理一定数量的视频帧，从而降低了神经网络模型的资源需求，并提升了神经网络模型的处理速度与性能。此外，由于第一样本视频所包括的视频帧的真实类别相同，使得神经网络模型在训练时使用的样本只包括同一类别的视频帧，进而提升了神经网络模型的准确率。

对第一原始视频的标注例如可以通过标注第一原始视频中的每一个视频帧，也可以标注同一类别对应的视频片段的起始帧和结束帧，在此不做限定。对第一原始视频的切分例如可以为对同一类别对应的视频片段进行切分，以保证切分后得到第一样本视频中的每一个视频帧的真实类别相同。

根据一些实施例，任意两个不同真实样本类别所对应的第一样本视频的数量的比值可以位于第二预设范围内。第二预设范围例如可以表示为样本数量最多的类别和样本数量最少的类别的样本数量比值小于1.5、1.3、1.1或其他值。示例性的，至少一个第一样本视频中，属于类别0、类别1和类别2的样本的数量比值近似可以为1:1:1。由此，通过使不同真实样本类别的第一样本视频的数量尽可能接近，能够进一步提升神经网络模型的准确率和召回率。

根据一些实施例，神经网络模型例如可以为预训练模型。例如可以使用其他任务的已有数据集对初始化的神经网络模型进行预训练以得到预训练模型，例如使用视频纹理特征检测、视频理解等任务的数据集对初始化的神经网络模型进行预训练。也可以使用现有的神经网络模型做迁移学习，在此不做限定。

根据一些实施例，例如可以使用第一样本视频对预训练后的神经网络模型进行微调，得到用于确定视频是否包括未成年人的神经网络模型。由此，通过对预训练后的具有一定视频理解能力的神经网络模型进行微调，能够避免从初始化的神经网络模型开始训练，从而大幅提升神经网络模型的训练效率。

根据一些实施例，如图4所示，训练方法还可以包括：步骤S408、获取第二样本视频集合，所述第二样本视频集合包括至少一个第二样本视频；步骤S409、对所述至少一个第二样本视频中的每一个第二样本视频进行抽帧，以得到该第二样本视频的多个第二样本视频帧；步骤S410、将所述每一个第二样本视频各自对应的多个第二样本视频帧输入所述神经网络模型，获取所述神经网络模型所确定的所述每一个第二样本视频的第二预测样本类别及其置信度；以及步骤S411、响应于确定相应的第二预测样本类别的置信度小于等于预设值，标注该第二样本视频的第二真实样本类别。由此，在使用第一样本视频对神经网络模型进行微调之后，能够使用微调后的神经网络模型得到每一个第二样本视频的第二预测样本类别及其置信度。通过只对第二预测样本类别的置信度小于预设值的第二样本视频进行标注，能够大幅降低对第二样本视频集合的标注成本。

根据一些实施例，如图4所示，训练方法还可以包括：步骤S412、响应于确定相应的第二预测样本类别的置信度大于预设值，将该第二样本视频的第二预测样本类别作为该第二样本视频的第二真实样本类别。

根据一些实施例，置信度例如可以为0到1之间的数值，预设值例如可以设置为0.5，0.6，0.7，或其他能够表征置信度较低的值，在此不做限定。

根据一些实施例，如图4所示，训练方法还可以包括：步骤S413、使用具有第二真实样本类别的至少一个第二样本视频对所述神经网络模型进行进一步训练。由此，在使用第一样本视频对神经网络模型进行微调之后，通过使用第二样本视频进一步训练，能够进一步提升神经网络模型的预测能力。

第二样本视频的获取方式与上述目标视频的获取方式类似，在此不做赘述。利用神经网络模型能够基于第二样本视频输出第二样本视频的第二预测样本类别，同时能够输出第二预测样本类别的置信度。例如可以设置阈值，并选取置信度小于阈值的第二样本视频进行人工标注，以得到第二样本视频的第二真实样本类别；同时对于置信度大于阈值的第二样本视频，可以直接将其第二预测样本类别作为第二真实样本类别，以用于对神经网络模型进行进一步训练。可以理解的是，使用第二样本视频对神经网络模型进行训练的方式与上述使用第一样本视频对神经网络模型进行训练的方式类似，在此不做赘述。

第二样本视频的数量可以大于第一样本视频的数量，从而实现使用少量样本即第一样本视频使神经网络模型初步具有进行类别预测的能力，再使用大量样本进一步提升神经网络模型的预测能力。示例性的，可以使用1,000条第一样本视频训练神经网络模型，并通过上述方法生成8,000条第二样本视频以进一步训练神经网络模型。

根据一些实施例，任意两个不同真实样本类别所对应的第二样本视频的数量的比值位于第二预设范围内。示例性的，至少一个第一样本视频中，属于类别0、类别1和类别2的样本的数量比值近似可以为1:1:1。

根据一些实施例，神经网络模型例如可以选择膨胀三维卷积网络(inflated 3DConvNet，I3D)或时序分割网络(Temporal Segment Network，TSN)。

根据本公开的另一方面，提供了一种对视频进行分类的装置。如图5所示，对视频进行分类的装置500可以包括：抽帧单元501，被配置用于对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及神经网络模型502，被配置用于基于输入的所述多个目标视频帧输，输出所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。

对视频进行分类的装置500的单元501-神经网络模型502的操作分别与前面描述的步骤S101-步骤S102的操作类似，在此不做赘述。

根据本公开的另一方面，提供了一种神经网络模型训练装置。如图6所示，神经网络模型训练装置600包括：抽帧单元601，被配置用于对第一样本视频进行抽帧，以得到多个第一样本视频帧，并标注所述多个第一样本视频帧中每一个第一样本视频帧的第一真实样本类别和时间标签，其中，所述多个第一样本视频帧的第一真实样本类别相同；神经网络模型602，被配置用于基于输入的所述多个第一样本视频帧，输出所述第一样本视频的第一预测样本类别；计算单元603，被配置用于基于所述第一真实样本类别和所述第一预测样本类别，计算损失值；以及调参单元604，被配置用于基于所述损失值，调整所述神经网络模型的参数。

神经网络模型训练装置600的单元601-单元604的操作分别与前面描述的步骤S301-步骤S304的操作类似，在此不做赘述。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703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。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如对视频进行分类的方法或神经网络模型的训练方法。例如，在一些实施例中，对视频进行分类的方法或神经网络模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的对视频进行分类的方法或神经网络模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对视频进行分类的方法或神经网络模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (20)

1.一种利用神经网络模型对视频进行分类的方法，包括：

对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及

将所述多个目标视频帧输入训练好的神经网络模型，获取所述神经网络模型输出的所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。

2.如权利要求1所述的方法，还包括：

获取原始视频；以及

将所述原始视频进行切分，以得到至少一个目标视频，其中，所述至少一个目标视频中的每一个目标视频所包括的视频帧的数量位于第一预设范围内。

3.如权利要求1或2所述的方法，还包括：

在对目标视频进行抽帧之后，对所述多个目标视频帧进行预处理。

4.如权利要求1所述的方法，其中，所述神经网络模型选择膨胀三维卷积网络或时序分割网络。

5.如权利要求2所述的方法，其中，所述原始视频为直播视频。

6.如权利要求1所述的方法，其中，所述目标视频的预测类别包括未成年人单独出镜类别、未成年人与成年人同时出镜类别和其他类别。

7.一种用于确定视频是否包括未成年人的神经网络模型的训练方法，包括：

对第一样本视频进行抽帧，以得到多个第一样本视频帧，并标注所述多个第一样本视频帧中的每一个第一样本视频帧的第一真实样本类别和时间标签，其中，所述多个第一样本视频帧的第一真实样本类别相同；

将所述多个第一样本视频帧输入所述神经网络模型，获取所述神经网络模型输出的所述第一样本视频的第一预测样本类别；

基于所述第一真实样本类别和所述第一预测样本类别，计算损失值；以及

基于所述损失值，调整所述神经网络模型的参数。

8.如权利要求7所述的方法，还包括：

获取第一原始视频；

标注所述第一原始视频中的每一个视频帧的真实类别；以及

将所述第一原始视频进行切分，以得到所述第一原始视频的至少一个第一样本视频，其中，每一个第一样本视频所包括的视频帧数量均在第一预设范围内。

9.如权利要求8所述的方法，其中，任意两个不同真实样本类别所对应的第一样本视频的数量的比值位于第二预设范围内。

10.如权利要求7所述的方法，其中，所述神经网络模型为预训练模型。

11.如权利要求7所述的方法，还包括：

获取第二样本视频集合，所述第二样本视频集合包括至少一个第二样本视频；

对所述至少一个第二样本视频中的每一个第二样本视频进行抽帧，以得到该第二样本视频的多个第二样本视频帧；

将所述每一个第二样本视频各自对应的多个第二样本视频帧输入所述神经网络模型，获取所述神经网络模型所确定的所述每一个第二样本视频的第二预测样本类别及其置信度；以及

响应于确定相应的第二预测样本类别的置信度小于等于预设值，标注该第二样本视频的第二真实样本类别。

12.如权利要求11所述的方法，还包括：

响应于确定相应的第二预测样本类别的置信度大于预设值，将该第二样本视频的第二预测样本类别作为该第二样本视频的第二真实样本类别。

13.如权利要求11或12所述的方法，还包括：

使用具有第二真实样本类别的至少一个第二样本视频对所述神经网络模型进行进一步训练。

14.如权利要求7所述的方法，其中，所述神经网络模型选择膨胀三维卷积网络或时序分割网络。

15.如权利要求7所述的方法，其中，所述第一样本视频的预测类别包括未成年人单独出镜类别、未成年人与成年人同时出镜类别和其他类别。

16.一种对视频进行分类的装置，包括：

抽帧单元，被配置用于对目标视频进行抽帧，以得到多个目标视频帧，所述多个目标视频帧包括时间标签；以及

神经网络模型，被配置用于基于输入的所述多个目标视频帧输，输出所述目标视频的预测类别，所述预测类别能够表征所述目标视频是否包括未成年人。

17.一种神经网络模型训练装置，包括：

抽帧单元，被配置用于对第一样本视频进行抽帧，以得到多个第一样本视频帧，并标注所述多个第一样本视频帧中的每一个第一样本视频帧的第一真实样本类别和时间标签，其中，所述多个第一样本视频帧的第一真实样本类别相同；

神经网络模型，被配置用于基于输入的所述多个第一样本视频帧，输出所述第一样本视频的第一预测样本类别；

计算单元，被配置用于基于所述第一真实样本类别和所述第一预测样本类别，计算损失值；以及

调参单元，被配置用于基于所述损失值，调整所述神经网络模型的参数。

18.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-15中任一项所述的方法。

19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-15中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-15中任一项所述的方法。

Images