CN112651449B - 确定视频的内容特征的方法、装置、电子设备及存储介质 - Google Patents

确定视频的内容特征的方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112651449B
CN112651449B CN202011601112.4A CN202011601112A CN112651449B CN 112651449 B CN112651449 B CN 112651449B CN 202011601112 A CN202011601112 A CN 202011601112A CN 112651449 B CN112651449 B CN 112651449B
Authority
CN
China
Prior art keywords
video
video frame
image
encoder
video data
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
Application number
CN202011601112.4A
Other languages
English (en)
Other versions
CN112651449A (zh
Inventor
方进
赵金鑫
周定富
宋希彬
张良俊
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
Baidu USA LLC
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Baidu USA LLC
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, Baidu USA LLC filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011601112.4A priority Critical patent/CN112651449B/zh
Publication of CN112651449A publication Critical patent/CN112651449A/zh
Application granted granted Critical
Publication of CN112651449B publication Critical patent/CN112651449B/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
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)

Abstract

本公开提出了一种确定视频的内容特征的方法、装置、电子设备及存储介质，涉及视频分类。具体实现方案为：接收视频数据，视频数据包括多个视频帧；将各个视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的图像特征以及预先训练的视频特征编码器针对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器针对当前视频帧的处理结果；直至对视频数据中包括的最后一个视频帧的处理结束，将视频特征编码器针对最后一个视频帧的输出结果作为视频数据的内容特征。

Description

确定视频的内容特征的方法、装置、电子设备及存储介质
技术领域
本公开涉及机器学习技术领域，尤其涉及视频分类技术领域。
背景技术
在视频搜索、视频推荐等应用领域中，经常需要使用视频的内容特征。现有技术一般采用人工标注的方式标注视频的内容特征，该内容特征代表视频内容的语义信息。这种人工标注方式的人力成本和时间成本较高，无法实现大规模的标注。
发明内容
本公开提供了一种确定视频的内容特征的方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种确定视频的内容特征的方法，包括：
接收视频数据，视频数据包括多个视频帧；
将各个视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；
按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器对当前视频帧的处理结果；
直至对视频数据中包括的最后一个视频帧的处理结束，将视频特征编码器对最后一个视频帧的输出结果作为视频数据的内容特征。
根据本公开的另一方面，提供了一种模型训练方法，模型包括视频特征编码器和对应的视频特征解码器，方法包括：
获取视频数据中各个视频帧的第一图像特征；
将各个视频帧的第一图像特征输入视频特征编码器，得到视频数据的内容特征；
将视频数据的内容特征输入视频特征解码器，得到视频数据中各个视频帧的第二图像特征；
根据各个视频帧的第一图像特征和第二图像特征的差异构建损失函数，对模型进行训练。
根据本公开的另一方面，提供了一种确定视频的内容特征的装置，包括：
接收模块，用于接收视频数据，视频数据包括多个视频帧；
第一输入模块，用于将各个视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；
第二输入模块，用于按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器对当前视频帧的处理结果；
内容特征确定模块，用于将视频特征编码器对最后一个视频帧的处理结果作为视频数据的内容特征。
根据本公开的另一方面，提供了一种模型训练装置，模型包括视频特征编码器和对应的视频特征解码器，装置包括：
获取模块，用于获取视频数据中各个视频帧的第一图像特征；
第三输入模块，用于将各个视频帧的第一图像特征输入视频特征编码器，得到视频数据的内容特征；
第四输入模块，用于将视频数据的内容特征输入视频特征解码器，得到视频数据中各个视频帧的第二图像特征；
第一训练模块，用于根据各个视频帧的第一图像特征和第二图像特征的差异构建损失函数，对所述模型进行训练。
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
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
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，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开提出的确定视频的内容特征的方法和装置，首先利用视频特征编码器获取视频数据中各个数据帧的图像特征，再利用视频特征编码器根据各个数据帧的图像特征确定视频数据的内容特征，实现了自动标注视频的内容特征，能够节约人力成本和时间成本，满足大规模标注的需求。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开的一种确定视频的内容特征的方法实现流程图；
图2是本公开的一种图像重建流程图；
图3是本公开的一种视频重建流程图；
图4是本公开的一种模型训练方法的实现流程图；
图5是本公开的一种确定视频的内容特征的装置500结构示意图；
图6是本公开的一种确定视频的内容特征的装置600结构示意图；
图7是本公开的一种模型训练装置700结构示意图；
图8是本公开的一种模型训练装置800结构示意图；
图9是用来实现本公开实施例的方法的电子设备的框图。
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和精神。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。
本公开提出一种确定视频的内容特征的方法。图1是本公开的一种确定视频的内容特征的方法实现流程图，包括：
S101：接收视频数据，该视频数据包括多个视频帧；
S102：将各个视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；
S103：按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的图像特征、以及预先训练的视频特征编码器针对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器针对当前视频帧的处理结果；
S104：直至对视频数据中包括的最后一个视频帧的处理结束，将视频特征编码器针对最后一个视频帧的处理结果作为视频数据的内容特征。
在上述过程中，使用到两个编码器，即图像编码器和视频特征编码器。其中，图像编码器用于提取视频中各个视频帧的图像特征；视频特征编码器用于根据各个视频帧的图像特征确定整个视频数据的内容特征。其中，前述内容特征可以包括视频数据所含内容的语义信息，能够代表视频数据中包含的内容。
本公开针对上述的图像编码器，提出一种对应的图像解码器；针对上述视频特征编码器，提出一种对应的视频特征解码器。其中：
图像编码器与图像解码器的作用相反，前者用于从视频帧中提取图像特征，后者用于利用图像特征还原出视频帧。本公开可以采用神经网络模型构成前述图像编码器和图像解码器，在训练模型时，根据原始的视频帧与还原出的视频帧的差异构建损失函数，对图像编码器和图像解码器同步进行训练。在使用时，本公开使用图像编码器提取各个视频帧的图像特征，而图像解码器不用于提取特征。由上述介绍可见，本公开提出的图像编码器和图像解码器的训练过程不需要人工标注样本，而是采用自监督学习的方式进行训练。
参照图2，图2是本公开的一种图像重建流程图。将视频数据(或称视频流)的各个视频帧分别输入图像编码器(或称图像自监督编码器)，得到各个视频帧的图像特征；再将各个视频帧的图像特征分别输入图像解码器(或称图像自监督解码器)，还原出各个视频帧；还原出的各个视频帧可以组成重建的图像流。本公开可以分别计算各个视频帧与其对应的还原后的视频帧的差异，利用该差异构建损失函数，对图像编码器和图像解码器同步进行训练，使前述差异尽可能小，在前述差异小于预定阈值的情况下，认为对前述图像编码器和图像解码器的训练成功。训练成功的图像编码器可以用于对视频数据中各个视频帧的特征提取。
与图像编码器和图像解码器的内容类似，本公开提出的视频特征编码器与视频特征解码器的作用相反，前者用于利用视频数据中各个视频帧的图像特征(由上述图像编码器确定，可以采用向量的形式表示)确定视频数据的内容特征，后者利用视频数据的内容特征还原出各个视频帧的图像特征。本公开可以采用卷积神经网络和循环神经网络构成前述视频特征编码器和视频特征解码器。在训练时，根据输入视频特征编码器的各个视频帧的图像特征、与视频特征解码器输出的各个视频帧的图像特征的差异，对视频特征编码器和视频特征解码器进行同步训练。在使用时，本公开使用视频特征编码器确定视频数据的内容特征，而视频特征解码器不用于确定内容特征。由上述介绍可见，本公开提出的视频特征编码器和视频特征解码器的训练过程同样不需要人工标注样本，而是采用自监督学习的方式进行训练。
在一些实施方式中，本公开提出的视频特征编码器包括第一神经网络模型和第二神经网络模型；
相应地，上述将当前视频帧的图像特征以及预先训练的视频特征编码器针对上一个视频帧的处理结果输入视频特征编码器，包括：
将当前视频帧的图像特征输入第一神经网络模型，得到该当前视频帧的卷积特征；
将当前视频帧的图像特征、当前视频帧的卷积特征及视频特征编码器针对上一个视频帧的处理结果输入该第二神经网络模型。
其中，上述第一神经网络模型可以包括卷积神经网络，上述第二神经网络模型可以包括循环神经网络。
参照图3，图3是本公开的一种视频重建流程图。如图3所示，将视频数据的第一帧的图像特征输入视频特征编码器中的卷积神经网络，得到第一帧的卷积特征(如图3中的卷积特征1)；将第一帧的卷积特征和第一帧的图像特征(如图3中的图像特征1)输入视频特征编码器中的循环神经网络，得到视频特征编码器针对第一帧的输出结果。将视频数据的第二帧的图像特征输入视频特征编码器中的卷积神经网络，得到第二帧的卷积特征(如图3中的卷积特征2)；将第二帧的卷积特征、第二帧的图像特征(如图3中的图像特征2)、以及前述视频特征编码器对第一帧的输出结果输入视频特征编码器中的循环神经网络，得到视频特征编码器对第二帧的输出结果。以此循环执行，直至得到视频特征编码器对最后一帧的输出结果，该结果由视频数据中所有视频帧的图像特征决定，该结果即为视频数据的内容特征(图3中简称视频特征)。
如图3所示，将视频数据的内容特征输入视频特征解码器，该视频特征解码器包括与视频特征编码器中的循环神经网络对应的循环神经网络。由视频特征解码器中的循环神经网络输出视频数据中最后一帧的图像特征(如图3中的图像特征N)和卷积特征(如图3中的卷积特征N)，以及一个相关处理结果。将该相关处理结果输入视频特征解码器，由视频特征解码器中的循环神经网络输出视频数据中倒数第二帧的图像特征和卷积特征，以及一个相关处理结果。以此循环执行，直至得到视频特征解码器输出的第一帧的图像特征。
本公开可以利用输入视频特征编码器的各个视频帧的图像特征与视频特征解码器输出的各个视频帧的图像特征差异构建损失函数，对视频特征编码器和视频特征解码器进行同步训练，使前述差异尽可能小。在前述差异小于预定阈值的情况下，认为对视频特征编码器和视频特征解码器的训练成功。训练成功的视频特征编码器可以用于利用视频数据中各个视频帧的图像特征确定视频数据的内容特征。
或者，如图3所示，本公开可以将视频特征解码器输出的各个视频帧的图像特征分别输入上述图像解码器(如图3中的自监督解码器)，还原出各个视频帧；并利用还原出的视频帧与原始视频帧的差异构建损失函数，对视频特征编码器、视频特征解码器、以及上述图像解码器进行同步训练，使前述差异尽可能小。在前述差异小于预定阈值的情况下，认为对视频特征编码器和视频特征解码器的训练成功。
本公开可以同时采用上述两种损失函数、或单独采用上述任意一种损失函数来训练视频特征编码器和视频特征解码器。
由上述内容可见，本公开的整个框架通过首先对图像进行自监督学习，进行重建，提取出图像特征。然后将图像特征结合卷积特征，变成组合特性序列，将序列输入循环神经网络，进行编解码，抽取出视频特征。整个过程不依赖于标注，同时抽取出的特征能够尽可能包含原始视频的信息。
采用上述方式确定的视频数据的内容特征，可以用于对视频数据进行推荐、检索、视频内容匹配等应用场景。以视频推荐为例，在现有技术中，一般根据视频数据的标签信息或用户信息等进行推荐，而忽略了视频内容本身的语义信息，导致推荐的效率不高。采用本公开确定的视频数据的内容特征可以解决这一问题。
例如，本公开还可以包括：
获取视频数据的用户特征和标签特征；其中，视频数据的用户特征包括播放该视频数据的用户的特征；
根据视频数据的内容特征、用户特征和标签特征，生成视频数据的综合特征；
利用该综合特征对视频数据进行推荐、检索或视频内容匹配。
其中，上述视频数据的标签特征可以由人工标注生成。上述视频数据的用户特征可以包括用户的观看时长、好友信息等信息。
可见，上述结合了更多信息的视频推荐方式加入了与视频内容强相关的信息，从而使得推荐结果更加可靠。
本公开还提出一种模型训练方法，该模型包括视频特征编码器和对应的视频特征解码器。图4是本公开的一种模型训练方法的实现流程图，包括：
S401：获取视频数据中各个视频帧的第一图像特征；
S402：将各个视频帧的第一图像特征输入视频特征编码器，得到视频数据的内容特征；
S403：将视频数据的内容特征输入视频特征解码器，得到视频数据中各个视频帧的第二图像特征；
S404：根据各个视频帧的第一图像特征和第二图像特征的差异构建损失函数，对模型进行训练。
可选地，上述各个视频帧的第一图像特征由图像编码器对视频数据中的各个视频帧处理得到：
上述方法还可以包括：
将视频数据中各个视频帧的第二图像特征分别输入图像编码器对应的图像解码器，得到各个视频帧的还原图像；
根据各个视频帧与视频帧对应的还原图像的差异构建损失函数，对模型进行训练。
可选地，上述将各个视频帧的第一图像特征输入视频特征编码器，得到视频数据的内容特征，包括：
按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的第一图像特征以及视频特征编码器对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器对当前视频帧的处理结果；
直至对视频数据中包括的最后一个视频帧的处理结束，得到视频数据的内容特征。
可选地，上述将视频数据的内容特征输入视频特征解码器，得到视频数据中各个视频帧的第二图像特征，包括：
将视频数据的内容特征输入视频特征解码器，得到视频数据中包括的最后一个视频帧的第二图像特征及相关处理结果；
将该相关处理结果输入视频特征解码器，直至得到视频数据中包括的各个视频帧的第二图像特征。
上述训练方法中的技术细节在图2和图3所示的流程中已有介绍，在此不再赘述。
本公开还提出一种确定视频的内容特征的装置。图5是本公开的一种确定视频的内容特征的装置500结构示意图，包括：
接收模块510，用于接收视频数据，该视频数据包括多个视频帧；
第一输入模块520，用于将各个视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；
第二输入模块530，用于按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器对当前视频帧的处理结果；
内容特征确定模块540，用于将视频特征编码器对最后一个视频帧的处理结果作为视频数据的内容特征。
可选地，视频特征编码器包括第一神经网络模型和第二神经网络模型；
图6是本公开的一种确定视频的内容特征的装置600结构示意图。如图6所示，可选地，上述第一输入模块520包括：
图像特征输入子模块521，用于将当前视频帧的图像特征输入第一神经网络模型，得到当前视频帧的卷积特征；
综合输入子模块522，用于将当前视频帧的图像特征、当前视频帧的卷积特征及视频特征编码器针对上一个视频帧的处理结果输入第二神经网络模型。
如图6所示，可选地，上述装置还包括：
应用模块650，用于获取视频数据的用户特征和标签特征；其中，视频数据的用户特征包括播放视频数据的用户的特征；根据视频数据的内容特征、用户特征和标签特征，生成视频数据的综合特征；利用综合特征对视频数据进行推荐、检索或视频内容匹配。
本申请实施例各装置中的各模块的功能可以参见上述确定视频的内容特征的方法中的对应描述，在此不再赘述。
本公开还提出一种模型训练装置，该模型包括视频特征编码器和对应的视频特征解码器。图7是本公开的一种模型训练装置700结构示意图，包括：
获取模块710，用于获取视频数据中各个视频帧的第一图像特征；
第三输入模块720，用于将各个视频帧的第一图像特征输入视频特征编码器，得到视频数据的内容特征；
第四输入模块730，用于将视频数据的内容特征输入视频特征解码器，得到视频数据中各个视频帧的第二图像特征；
第一训练模块740，用于根据各个视频帧的第一图像特征和第二图像特征的差异构建损失函数，对模型进行训练。
图8是本公开的一种模型训练装置800结构示意图，如图8所示，可选地，上述装置还包括：
第五输入模块850，用于将视频数据中各个视频帧的第二图像特征分别输入图像编码器对应的图像解码器，得到各个视频帧的还原图像；
第二训练模块860，用于根据各个视频帧与视频帧对应的还原图像的差异构建损失函数，对模型进行训练。
可选地，上述第三输入模块720用于：
按照视频数据中包括的多个视频帧的先后顺序，依次针对各个视频帧进行以下处理：将当前视频帧的第一图像特征以及视频特征编码器针对上一个视频帧的处理结果输入视频特征编码器，得到视频特征编码器针对当前视频帧的处理结果；直至对视频数据中包括的最后一个视频帧的处理结束，得到视频数据的内容特征。
可选地，上述第四输入模块730用于：将视频数据的内容特征输入视频特征解码器，得到视频数据中包括的最后一个视频帧的第二图像特征及相关处理结果；将相关处理结果输入视频特征解码器，直至得到视频数据中包括的各个视频帧的第二图像特征。
本申请实施例各装置中的各模块的功能可以参见上述模型训练方法中的对应描述，在此不再赘述。
根据本公开的实施例，本公开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。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，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/或要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
计算单元901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901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901执行上文所描述的各个方法和处理，例如确定视频的内容特征的方法或模型训练方法。例如，在一些实施例中，确定视频的内容特征的方法或模型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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的确定视频的内容特征的方法或模型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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定视频的内容特征的方法或模型训练方法。
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执行也可以不同的次序执行，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。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种确定视频的内容特征的方法，包括：
接收视频数据，所述视频数据包括多个视频帧；
将各个所述视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；
按照所述视频数据中包括的多个视频帧的先后顺序，依次针对各个所述视频帧进行以下处理：将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，得到所述视频特征编码器对当前视频帧的处理结果；
直至对视频数据中包括的最后一个视频帧的处理结束，将所述视频特征编码器对最后一个视频帧的处理结果作为所述视频数据的内容特征；
其中，所述视频特征编码器包括第一神经网络模型和第二神经网络模型；
所述将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，包括：
将当前视频帧的图像特征输入所述第一神经网络模型，得到所述当前视频帧的卷积特征；
将所述当前视频帧的图像特征、所述当前视频帧的卷积特征及所述视频特征编码器对上一个视频帧的处理结果输入所述第二神经网络模型。
2.根据权利要求1所述的方法，还包括：
获取所述视频数据的用户特征和标签特征；其中，所述视频数据的用户特征包括播放所述视频数据的用户的特征；
根据所述视频数据的所述内容特征、所述用户特征和所述标签特征，生成所述视频数据的综合特征；
利用所述综合特征对所述视频数据进行推荐、检索或视频内容匹配。
3.一种模型训练方法，所述模型包括视频特征编码器和对应的视频特征解码器，所述方法包括：
获取视频数据中各个视频帧的第一图像特征，其中，所述第一图像特征用于根据预先训练的图像编码器对各个视频帧进行处理得到；
将各个所述视频帧的第一图像特征输入所述视频特征编码器，得到所述视频数据的内容特征，其中，所述内容特征为所述视频数据中的最后一个视频帧的处理结果，所述处理结果为按照所述视频数据中包括的多个视频帧的先后顺序，对各个所述视频帧进行以下处理得到：
将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，得到所述视频特征编码器对当前视频帧的处理结果；
将所述视频数据的内容特征输入所述视频特征解码器，得到所述视频数据中各个视频帧的第二图像特征；
根据各个所述视频帧的第一图像特征和第二图像特征的差异构建损失函数，对所述模型进行训练；
其中，所述视频特征编码器包括第一神经网络模型和第二神经网络模型；
所述将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，包括：
将当前视频帧的图像特征输入所述第一神经网络模型，得到所述当前视频帧的卷积特征；
将所述当前视频帧的图像特征、所述当前视频帧的卷积特征及所述视频特征编码器对上一个视频帧的处理结果输入所述第二神经网络模型。
4.根据权利要求3所述的方法，其中，各个所述视频帧的第一图像特征由图像编码器对所述视频数据中的各个视频帧处理得到：
所述方法还包括：
将所述视频数据中各个视频帧的第二图像特征分别输入所述图像编码器对应的图像解码器，得到各个所述视频帧的还原图像；
根据各个所述视频帧与视频帧对应的还原图像的差异构建损失函数，对所述模型进行训练。
5.根据权利要求3或4所述的方法，其中，所述将各个所述视频帧的第一图像特征输入所述视频特征编码器，得到所述视频数据的内容特征，包括：
按照所述视频数据中包括的多个视频帧的先后顺序，依次针对各个所述视频帧进行以下处理：将当前视频帧的第一图像特征以及所述视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，得到所述视频特征编码器对当前视频帧的处理结果；
直至对视频数据中包括的最后一个视频帧的处理结束，得到所述视频数据的内容特征。
6.根据权利要求3或4所述的方法，其中，所述将所述视频数据的内容特征输入所述视频特征解码器，得到所述视频数据中各个视频帧的第二图像特征，包括：
将所述视频数据的内容特征输入所述视频特征解码器，得到所述视频数据中包括的最后一个视频帧的第二图像特征及相关处理结果；
将所述相关处理结果输入所述视频特征解码器，直至得到所述视频数据中包括的各个视频帧的第二图像特征。
7.一种确定视频的内容特征的装置，包括：
接收模块，用于接收视频数据，所述视频数据包括多个视频帧；
第一输入模块，用于将各个所述视频帧分别输入预先训练的图像编码器，得到各个视频帧的图像特征；
第二输入模块，用于按照所述视频数据中包括的多个视频帧的先后顺序，依次针对各个所述视频帧进行以下处理：将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，得到所述视频特征编码器对当前视频帧的处理结果；
内容特征确定模块，用于将所述视频特征编码器对最后一个视频帧的处理结果作为所述视频数据的内容特征；
其中，所述视频特征编码器包括第一神经网络模型和第二神经网络模型；
所述第一输入模块包括：
图像特征输入子模块， 用于将当前视频帧的图像特征输入所述第一神经网络模型，得到所述当前视频帧的卷积特征；
综合输入子模块，用于将所述当前视频帧的图像特征、所述当前视频帧的卷积特征及所述视频特征编码器对上一个视频帧的处理结果输入所述第二神经网络模型。
8.根据权利要求7所述的装置，还包括：
应用模块，用于获取所述视频数据的用户特征和标签特征；其中，所述视频数据的用户特征包括播放所述视频数据的用户的特征；根据所述视频数据的所述内容特征、所述用户特征和所述标签特征，生成所述视频数据的综合特征；利用所述综合特征对所述视频数据进行推荐、检索或视频内容匹配。
9.一种模型训练装置，所述模型包括视频特征编码器和对应的视频特征解码器，所述装置包括：
获取模块，用于获取视频数据中各个视频帧的第一图像特征，其中，所述第一图像特征用于根据预先训练的图像编码器对各个视频帧进行处理得到；
第三输入模块，用于将各个所述视频帧的第一图像特征输入所述视频特征编码器，得到所述视频数据的内容特征，其中，所述内容特征为所述视频数据中的最后一个视频帧的处理结果，所述处理结果为按照所述视频数据中包括的多个视频帧的先后顺序，对各个所述视频帧进行以下处理得到：
将当前视频帧的图像特征以及预先训练的视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，得到所述视频特征编码器对当前视频帧的处理结果；
第四输入模块，用于将所述视频数据的内容特征输入所述视频特征解码器，得到所述视频数据中各个视频帧的第二图像特征；
第一训练模块，用于根据各个所述视频帧的第一图像特征和第二图像特征的差异构建损失函数，对所述模型进行训练；
其中，所述视频特征编码器包括第一神经网络模型和第二神经网络模型；
所述装置还包括：第一输入模块，所述第一输入模块包括：
图像特征输入子模块， 用于将当前视频帧的图像特征输入所述第一神经网络模型，得到所述当前视频帧的卷积特征；
综合输入子模块，用于将所述当前视频帧的图像特征、所述当前视频帧的卷积特征及所述视频特征编码器对上一个视频帧的处理结果输入所述第二神经网络模型。
10.根据权利要求9所述的装置，其中，各个所述视频帧的第一图像特征由图像编码器对所述视频数据中的各个视频帧处理得到：
所述装置还包括：
第五输入模块，用于将所述视频数据中各个视频帧的第二图像特征分别输入所述图像编码器对应的图像解码器，得到各个所述视频帧的还原图像；
第二训练模块，用于根据各个所述视频帧与视频帧对应的还原图像的差异构建损失函数，对所述模型进行训练。
11.根据权利要求9或10所述的装置，其中，所述第三输入模块用于：
按照所述视频数据中包括的多个视频帧的先后顺序，依次针对各个所述视频帧进行以下处理：将当前视频帧的第一图像特征以及所述视频特征编码器对上一个视频帧的处理结果输入所述视频特征编码器，得到所述视频特征编码器对当前视频帧的处理结果；直至对视频数据中包括的最后一个视频帧的处理结束，得到所述视频数据的内容特征。
12.根据权利要求9或10所述的装置，其中，所述第四输入模块用于：将所述视频数据的内容特征输入所述视频特征解码器，得到所述视频数据中包括的最后一个视频帧的第二图像特征及相关处理结果；将所述相关处理结果输入所述视频特征解码器，直至得到所述视频数据中包括的各个视频帧的第二图像特征。
13. 一种电子设备，其特征在于，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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
CN202011601112.4A 2020-12-29 2020-12-29 确定视频的内容特征的方法、装置、电子设备及存储介质 Active CN112651449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011601112.4A CN112651449B (zh) 2020-12-29 2020-12-29 确定视频的内容特征的方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011601112.4A CN112651449B (zh) 2020-12-29 2020-12-29 确定视频的内容特征的方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112651449A CN112651449A (zh) 2021-04-13
CN112651449B true CN112651449B (zh) 2023-08-01

Family

ID=75364157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011601112.4A Active CN112651449B (zh) 2020-12-29 2020-12-29 确定视频的内容特征的方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112651449B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723344A (zh) * 2021-09-08 2021-11-30 北京有竹居网络技术有限公司 视频的识别方法、装置、可读介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109451308A (zh) * 2018-11-29 2019-03-08 北京市商汤科技开发有限公司 视频压缩处理方法及装置、电子设备及存储介质
CN110751021A (zh) * 2019-09-03 2020-02-04 北京迈格威科技有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN111263226A (zh) * 2020-01-17 2020-06-09 中国科学技术大学 视频处理方法、装置、电子设备及介质
CN111815638A (zh) * 2020-07-01 2020-10-23 浙江大华技术股份有限公司 视频分割网络模型的训练方法、视频分割方法及相关设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9049459B2 (en) * 2011-10-17 2015-06-02 Exaimage Corporation Video multi-codec encoders
CN108833918B (zh) * 2018-06-20 2021-09-17 腾讯科技（深圳）有限公司 视频编码方法、解码方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109451308A (zh) * 2018-11-29 2019-03-08 北京市商汤科技开发有限公司 视频压缩处理方法及装置、电子设备及存储介质
CN110751021A (zh) * 2019-09-03 2020-02-04 北京迈格威科技有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN111263226A (zh) * 2020-01-17 2020-06-09 中国科学技术大学 视频处理方法、装置、电子设备及介质
CN111815638A (zh) * 2020-07-01 2020-10-23 浙江大华技术股份有限公司 视频分割网络模型的训练方法、视频分割方法及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度去噪自编码器的RGB-D视频目标跟踪;姜明新;潘志庚;王兰芳;胡铸鑫;;系统仿真学报(第11期);全文 *

Also Published As

Publication number Publication date
CN112651449A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN113590858B (zh) 目标对象的生成方法、装置、电子设备以及存储介质
CN113159010B (zh) 视频分类方法、装置、设备和存储介质
JP7394809B2 (ja) ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN112651449B (zh) 确定视频的内容特征的方法、装置、电子设备及存储介质
CN113254712A (zh) 视频匹配方法、视频处理方法、装置、电子设备及介质
CN117746125A (zh) 图像处理模型的训练方法、装置及电子设备
CN116935287A (zh) 视频理解方法和装置
CN111898338A (zh) 文本生成方法、装置和电子设备
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN114882334B (zh) 用于生成预训练模型的方法、模型训练方法及装置
CN115994243A (zh) 跨模态检索模型处理方法、装置、设备、产品及介质
CN113361519B (zh) 目标处理方法、目标处理模型的训练方法及其装置
CN113255484B (zh) 视频匹配方法、视频处理方法、装置、电子设备及介质
CN113240780B (zh) 生成动画的方法和装置
CN115098729A (zh) 视频处理方法、样本生成方法、模型训练方法及装置
CN112559727B (zh) 用于输出信息的方法、装置、设备、存储介质和程序
CN114549904A (zh) 视觉处理及模型训练方法、设备、存储介质及程序产品
CN113792876A (zh) 骨干网络的生成方法、装置、设备以及存储介质
US20200321026A1 (en) Method and apparatus for generating video
CN113177483B (zh) 视频目标分割方法、装置、设备以及存储介质
CN113360712B (zh) 视频表示的生成方法、装置和电子设备
CN116778006B (zh) 图片编码器的建模方法、装置、电子设备及存储介质
CN113378773B (zh) 手势识别方法、装置、设备、存储介质以及程序产品
CN115147850B (zh) 文字生成模型的训练方法、文字生成方法及其装置

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