CN112989114A - 应用于视频筛选的视频信息生成方法及装置 - Google Patents
应用于视频筛选的视频信息生成方法及装置 Download PDFInfo
- Publication number
- CN112989114A CN112989114A CN202110153741.3A CN202110153741A CN112989114A CN 112989114 A CN112989114 A CN 112989114A CN 202110153741 A CN202110153741 A CN 202110153741A CN 112989114 A CN112989114 A CN 112989114A
- Authority
- CN
- China
- Prior art keywords
- video
- target
- information
- category label
- category
- 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
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
- G06F16/73—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
- G06F16/73—Querying
- G06F16/738—Presentation of query results
- G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了应用于视频筛选的视频信息生成方法及装置,包括:提取用于表征目标视频风格特征的目标特征信息并确定其目标类别标签;根据目标特征信息、目标类别标签、目标视频的哈希特征及目标视频标识生成对应的目标信息集合;获取原视频集合中每个待筛选视频对应的信息集合,待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征及视频标识;根据目标信息集合以及待筛选视频对应的信息集合确定用于筛选视频的视频信息;待筛选视频对应的信息集合包括的类别标签为原始类别标签或预测类别标签。可见,本发明能够生成包括特征信息、类别标签及哈希特征的信息集合作为视频筛选时的参考依据,有利于提高筛选出的视频的有效性。
Description
技术领域
本发明涉及视频处理技术领域,尤其涉及一种应用于视频筛选的视频信息生成方法及装置。
背景技术
随着电子信息的快速发展,短视频日渐火爆且相应的用户规模也日益扩大,用户不仅可以直接拍摄视频并进行剪辑发布,而且还能够基于已有视频的设计添加不同的创作元素(也称艺术效果)对已有视频进行再创作,例如用户可以对已有视频的画面、光度及编码等进行修改,这不仅能够丰富用户的日常生活,在一些情况下,还能够为用户带来一定的收益。由于越来越多的用户参与发布视频或对已有视频进行再创作,这导致在海量的视频数据库中存在大量重复或相关的视频,且为了提高用户黏性,需要根据用户观看的视频为其推荐相关视频。
实践发现,当前已有的相关视频推荐方法主要依赖于相关信息进行相关视频的筛选及推荐,如:根据用户历史观看记录或相同类型的其它用户的观看记录进行相关视频的筛选及推荐,这种方法存在冷启动的问题,也即没有被用户观看过的视频将无法被推荐出来;又如:根据提取到的单个视频帧的特征信息进行相关视频的筛选及推荐,这种方法虽然避免了冷启动的问题,但是可能会推荐出内容完全一致的视频;又如:根据视频的标签信息来计算视频间的相关度,但是由于视频标签信息的语义特征过于宽泛,且没有直接考虑视频内容本身,导致推荐出来的相关视频不能满足用户需求,降低了筛选出的视频的有效性。
可见,基于当前确定出的视频信息进行相关视频筛选时存在筛选出的视频有效性低的问题。
发明内容
本发明提供了一种应用于视频筛选的视频信息生成方法及装置,能够基于生成的视频的信息集合筛选视频,有利于提高筛选出的视频的有效性。
本发明第一方面公开了一种应用于视频筛选的视频信息生成方法,所述方法包括:
提取目标视频的目标特征信息,并确定所述目标视频的目标类别标签,所述目标特征信息用于表征所述目标视频的风格特征;
根据所述目标特征信息、所述目标类别标签、所述目标视频的哈希特征以及所述目标视频的目标视频标识,生成所述目标视频对应的目标信息集合;
获取原视频集合中每个待筛选视频对应的信息集合,每个所述待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识;
根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息;
其中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息,包括:
根据预先确定出的类别标签关联关系,从所有所述待筛选视频对应的信息集合所包括的类别标签中确定存在关联关系的多个类别标签组;
对于每个所述类别标签组,将该类别标签组包括的所有类别标签所属的信息集合执行信息集中存放操作,得到多个多类别集合;
根据所述目标信息集合包括的所述目标特征信息及所述目标类别标签,从所有所述多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频;
根据所述目标信息集合以及所有所述目标待推荐视频对应的信息集合确定用于筛选视频的视频信息。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标信息集合包括的所述目标特征信息及所述目标类别标签,从所有所述多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频,包括:
根据所述目标信息集合包括的所述目标类别标签,从所有所述多类别集合中筛选包括所述目标类别标签的目标多类别集合;
根据所述目标信息集合包括的所述目标特征信息,从所述目标多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息之前,所述方法还包括:
生成类别标签关联关系;
其中,所述生成类别标签关联关系,包括:
将验证视频集合中每个验证视频输入预先训练好的类别识别模型,得到每个所述验证视频对应的多个类别标签,其中,每个所述验证视频存在与之对应的原始类别标签;
提取每个所述验证视频对应的所有类别标签中满足预设筛选条件的类别标签,得到每个所述验证视频对应的类别标签集合;
统计同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,并根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选存在关联关系的多个类别标签,得到该原始类别标签对应的类别标签集合;
分别建立每个原始类别标签对应的类别标签集合中所有类别标签的关联关系,得到多组类别标签关联关系。
作为一种可选的实施方式,在本发明第一方面中,所述提取目标视频的目标特征信息,包括:
将目标视频输入预先训练好的特征提取模型,得到所述目标视频的目标特征信息;
以及,所述确定所述目标视频的目标类别标签,包括:
当存在所述目标视频的原始类别标签时,将所述目标视频的原始类别标签确定为所述目标视频的目标类别标签;
当不存在所述目标视频的原始类别标签时,将所述目标特征信息输入预先训练好的类别识别模型,得到所述目标视频的预测类别标签,并将所述目标视频的预测类别标签确定为所述目标视频的目标类别标签。
作为一种可选的实施方式,在本发明第一方面中,所述将所述目标特征信息输入预先训练好的类别识别模型,得到所述目标视频的预测类别标签,包括:
将所述目标特征信息输入预先训练好的类别识别模型,得到目标类别标签集合中每个类别标签对应的预测概率;
将所述目标类别标签集合包括的所有类别标签中对应的预测概率最大的类别标签确定为所述目标视频的预测类别标签。
作为一种可选的实施方式,在本发明第一方面中所述目标特征信息及所述目标类别标签用于从所述原视频集合中筛选出第一视频集合,所述第一视频集合包括多个视频;
所述目标视频的哈希特征用于从所述第一视频集合中过滤掉视频画面的内容重合度高于预先设定的重合度阈值的视频得到第二视频集合,作为所述目标视频对应的待推荐视频。
本发明第二方面公开了一种应用于视频筛选的视频信息生成装置,所述装置包括:
提取模块,用于提取目标视频的目标特征信息,所述目标特征信息用于表征所述目标视频的风格特征;
第一确定模块,用于确定所述目标视频的目标类别标签;
生成模块,用于根据所述目标特征信息、所述目标类别标签、所述目标视频的哈希特征以及所述目标视频的目标视频标识,生成所述目标视频对应的目标信息集合;
获取模块,用于获取原视频集合中每个待筛选视频对应的信息集合,每个所述待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识;
第二确定模块,用于根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息;
其中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块,包括:
确定子模块,用于根据预先确定出的类别标签关联关系,从所有所述待筛选视频对应的信息集合所包括的类别标签中确定存在关联关系的多个类别标签组;
集中存放子模块,用于对于每个所述类别标签组,将该类别标签组包括的所有类别标签所属的信息集合执行信息集中存放操作,得到多个多类别集合;
筛选子模块,用于根据所述目标信息集合包括的所述目标特征信息及所述目标类别标签,从所有所述多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频;
所述确定子模块,还用于根据所述目标信息集合以及所有所述目标待推荐视频对应的信息集合确定用于筛选视频的视频信息。
作为一种可选的实施方式,在本发明第二方面中,所述筛选子模块根据所述目标信息集合包括的所述目标特征信息及所述目标类别标签,从所有所述多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频的具体方式为:
根据所述目标信息集合包括的所述目标类别标签,从所有所述多类别集合中筛选包括所述目标类别标签的目标多类别集合;
根据所述目标信息集合包括的所述目标特征信息,从所述目标多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
关联关系生成模块,用于在所述第二确定模块根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息之前,生成类别标签关联关系;
其中,所述关联关系生成模块,包括:
输入子模块,用于将验证视频集合中每个验证视频输入预先训练好的类别识别模型,得到每个所述验证视频对应的多个类别标签,其中,每个所述验证视频存在与之对应的原始类别标签;
提取子模块,用于提取每个所述验证视频对应的所有类别标签中满足预设筛选条件的类别标签,得到每个所述验证视频对应的类别标签集合;
统计子模块,用于统计同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,并根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选存在关联关系的多个类别标签,得到该原始类别标签对应的类别标签集合;
建立子模块,用于分别建立每个原始类别标签对应的类别标签集合中所有类别标签的关联关系,得到多组类别标签关联关系。
作为一种可选的实施方式,在本发明第二方面中,所述提取模块提取目标视频的目标特征信息的具体方式为:
将目标视频输入预先训练好的特征提取模型,得到所述目标视频的目标特征信息;
其中,所述第一确定模块确定所述目标视频的目标类别标签的具体方式为:
当存在所述目标视频的原始类别标签时,将所述目标视频的原始类别标签确定为所述目标视频的目标类别标签;
当不存在所述目标视频的原始类别标签时,将所述目标特征信息输入预先训练好的类别识别模型,得到所述目标视频的预测类别标签,并将所述目标视频的预测类别标签确定为所述目标视频的目标类别标签。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块将所述目标特征信息输入预先训练好的类别识别模型,得到所述目标视频的预测类别标签的具体方式为:
将所述目标特征信息输入预先训练好的类别识别模型,得到目标类别标签集合中每个类别标签对应的预测概率;
将所述目标类别标签集合包括的所有类别标签中对应的预测概率最大的类别标签确定为所述目标视频的预测类别标签。
作为一种可选的实施方式,在本发明第二方面中,所述目标特征信息及所述目标类别标签用于从所述原视频集合中筛选出第一视频集合,所述第一视频集合包括多个视频;
所述目标视频的哈希特征用于从所述第一视频集合中过滤掉视频画面的内容重合度高于预先设定的重合度阈值的视频得到第二视频集合,作为所述目标视频对应的待推荐视频。
本发明第三方面公开了另一种应用于视频筛选的视频信息生成装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的应用于视频筛选的视频信息生成方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于本发明第一方面公开的应用于视频筛选的视频信息生成方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,提取用于表征目标视频风格特征的目标特征信息并确定其目标类别标签;根据目标特征信息、目标类别标签、目标视频的哈希特征及目标视频标识生成对应的目标信息集合;获取原视频集合中每个待筛选视频对应的信息集合,待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征及视频标识;根据目标信息集合以及待筛选视频对应的信息集合确定用于筛选视频的视频信息;待筛选视频对应的信息集合包括的类别标签为原始类别标签或预测类别标签。可见,本发明能够生成包括特征信息、类别标签及哈希特征的信息集合作为视频筛选时的参考依据,有利于提高筛选出的视频的有效性;此外,当视频不存在原始类别标签时,能够通过预测类别标签生成相关视频信息,进一步提高了视频筛选的有效性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种应用于视频筛选的视频信息生成方法的流程示意图。
图2是本发明实施例公开的另一种应用于视频筛选的视频信息生成方法的流程示意图;
图3是本发明实施例公开的一种应用于视频筛选的视频信息生成装置的结构示意图;
图4是本发明实施例公开的另一种应用于视频筛选的视频信息生成装置的结构示意图;
图5是本发明实施例公开的又一种应用于视频筛选的视频信息生成装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种应用于视频筛选的视频信息生成方法及装置,能够生成包括特征信息、类别标签及哈希特征的信息集合作为视频筛选时的参考依据,有利于提高筛选出的视频的有效性;此外,当视频不存在原始类别标签时,能够通过预测类别标签生成相关视频信息,进一步提高了视频筛选的有效性。以下分别进行详细说明。
实施例一(方法侧实施例)
请参阅图1,图1是本发明实施例公开的一种应用于视频筛选的视频信息生成方法的流程示意图。其中,图1所描述的方法可以应用于信息生成装置中,可选的,该信息生成装置可以具体是信息生成设备,也可以是后台服务器,本发明实施例不做限定。如图1所示,该应用于视频筛选的视频信息生成方法可以包括以下操作:
101、信息生成装置提取目标视频的目标特征信息,并确定目标视频的目标类别标签。
本发明实施例中,目标视频的目标特征信息用于表征目标视频的风格特征。需要说明的是,该目标视频可以是任一用户当前观看的视频,也可以是任一用户历史观看的视频,还可以是预先筛选出的为任一用户推荐的其中一个视频,本发明实施例不做限定。
本发明实施例中,目标视频的目标特征信息是通过预先构建好的特征提取模型提取得到的。若目标视频具有原始类别标签,则目标视频的目标类别标签可以为其原始类别标签,若目标视频没有原始类别标签,则目标视频的目标类别标签是通过预先构建好的类别识别模型识别得到的预测类别标签。可选的,构建特征提取模型及类别识别模型的过程可以具体如下:
利用预先训练好的三维机器学习模型进行特征提取模型的参数初始化,其中,特征提取模型包含特征提取层和特征融合层。特征提取层主要由三维的卷积层和三维的归一化层构成,用来同时提取输入视频的时间和空间维度的特征;此外,再构建一层全连接层,作为输入视频的类别标签的输出层,即类别识别模型(也可称为类别识别层),该类别识别模型会输出m个概率值(m代表视频的类别标签个数),即针对每个视频,该类别识别模型会输出m个类别标签分别对应的概率,表示视频属于该m个类别标签中每个类别标签的概率;
所有层经过参数初始化后,再利用视频数据集进行训练,从而完成特征提取模型和类别识别模型的训练。其中,类别识别模型输出的最高概率所对应的类别标签称为视频的预测类别标签。且特征提取模型输出的特征向量也即为类别识别模型的输入,该特征向量由三维的特征提取层进行特征提取后,再经过特征融合层来整合多帧的全局信息得到,因此,该特征向量足以表征视频风格和形式的信息。相较于二维的机器学习模型,三维机器学习模型不仅能够捕捉单帧图像的空间特征,还能捕捉视频帧序列在时间维度上的运动特征,从而提取出画面切换或三维旋转等运动信息,结合风格特征和运动特征,可以使得根据展示手法相同的视频间的特征向量计算得到的相关度得到提高,从而使得这类视频能够被筛选出来,有利于提高确定出的待推荐视频的全面性及准确性。
需要说明的是,在利用上述构建好的视频风格的特征提取模型和类别识别模型提取目标视频的目标特征信息和识别目标视频的目标类别标签之前,可以对从目标视频中提取的n个视频帧进行相应的预处理操作,具体为:将n个视频帧的每个视频帧统一缩放到固定大小并进行归一化处理。预处理后的视频帧在深度通道上进行拼接融合,再输入特征提取模型,从而得到用于表征目标视频的视频风格和运动信息的特征向量(也即上述目标特征信息),该特征向量再经类别识别模型,得到目标视频的目标类别标签(也即预测类别标签)。
102、信息生成装置根据目标特征信息、目标类别标签、目标视频的哈希特征以及目标视频的目标视频标识,生成目标视频对应的目标信息集合。
103、信息生成装置获取原视频集合中每个待筛选视频对应的信息集合,每个待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识。
本发明实施例中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
104、信息生成装置根据目标信息集合以及所有待筛选视频对应的信息集合确定用于筛选视频的视频信息。
本发明实施例中,无论是目标视频,还是待筛选视频,每个视频都存在对应的信息集合,这些信息集合用于实现从原视频集合中筛选目标视频的相关视频作为目标视频对应的待推荐视频。可选的,信息集合包括特征信息及类别标签用于从原视频集合中筛选出第一视频集合,该第一视频集合包括多个视频,且信息集合包括的哈希特征用于从第一视频集合中过滤掉视频画面的内容重合度高于预先设定的重合度阈值的视频,得到第二视频集合,且该第二视频集合包括的视频作为目标视频对应的待推荐视频。
其中,目标视频的哈希特征是通过以下方式确定出的:
在从目标视频抽取的n个视频帧中,取前j个视频帧分别计算该j个视频帧中每个视频帧的哈希值,并将j个视频帧的哈希值按照视频帧的先后顺序进行拼接得到拼接哈希值,作为目标视频的哈希特征,其中,j为大于等于1且小于等于n的整数,优选的,可以抽取该目标视频的第2-4秒的第一帧,得到3个视频帧(也即j等于3)。由于部分相关视频新增了视频标题画面或特效,只抽取前两秒的视频帧会存在较大的误差,单独抽取一帧进行后续计算得到的相关视频的准确性较低,抽取过多的视频帧会导致计算量的增加,此外,由于部分相关视频的播放速度不同,通常为源视频的1.2-1.5倍,若抽取播放时间相对靠后的视频帧,会导致相关视频的播放画面区别较大,进而导致计算得到的相关视频存在较大误差,准确性较低,因此,本发明实施例优选第2-4秒的第一帧能够在增加少量计算量的同时提高确定出相关视频的准确性。
可选的,根据视频的哈希特征从第一视频集合中过滤掉视频画面的内容重合度高于预先设定的重合度阈值的视频,得到第二视频集合的具体过程如下:
根据目标视频的哈希特征以及第一视频集合中每个视频的哈希特征,对第一视频集合包括的所有视频执行第一过滤操作,得到过滤结果;
根据过滤结果包括的所有视频的哈希特征,对过滤结果包括的所有视频执行第二过滤操作,得到第二视频集合。
进一步可选的,根据过滤结果包括的所有视频的哈希特征,对过滤结果包括的所有视频执行第二过滤操作,得到第二视频集合的具体过程如下:
从过滤结果对应的所有剩余视频中选择未被选择过的其中一个视频,根据其中一个视频的哈希特征以及过滤结果对应的所有剩余视频中除其中一个视频之外的每个视频的哈希特征,计算过滤结果对应的所有剩余视频中除其中一个视频之外的每个视频与其中一个视频的汉明距离;
判断过滤结果对应的所有剩余视频中除其中一个视频之外的所有视频是否存在与其中一个视频的汉明距离小于等于预设汉明距离阈值的至少一个视频;
当判断结果为否时,执行上述的从过滤结果对应的所有剩余视频中选择未被选择过的其中一个视频,根据其中一个视频的哈希特征以及过滤结果对应的所有剩余视频中除其中一个视频之外的每个视频的哈希特征,计算过滤结果对应的所有剩余视频中除其中一个视频之外的每个视频与其中一个视频的汉明距离的操作,以及,执行上述的判断过滤结果对应的所有剩余视频中除其中一个视频之外的所有视频是否存在与其中一个视频的汉明距离小于等于预设汉明距离阈值的至少一个视频的操作;
当判断结果为是时,从过滤结果对应的所有剩余视频除其中一个视频之外的所有视频中过滤与其中一个视频的汉明距离小于等于预设汉明距离阈值的所有视频,以更新过滤结果对应的所有剩余视频,并执行上述的从过滤结果对应的所有剩余视频中选择未被选择过的其中一个视频,根据其中一个视频的哈希特征以及过滤结果对应的所有剩余视频中除其中一个视频之外的每个视频的哈希特征,计算过滤结果对应的所有剩余视频中除其中一个视频之外的每个视频与其中一个视频的汉明距离的操作,以及,执行上述的判断过滤结果对应的所有剩余视频中除其中一个视频之外的所有视频是否存在与其中一个视频的汉明距离小于等于预设汉明距离阈值的至少一个视频的操作;
当过滤结果对应的所有剩余视频中只存在一个未被选择过的视频时,将过滤结果对应的所有剩余视频确定为第二视频集合。
可见,本发明实施例生成的视频信息应用于相关视频筛选时,能够通过视频的哈希特征将视频对应的视频帧的高维特征映射至低维空间,由于视频播放画面(也即播放内容)相同或重合度高的视频帧具有高度相似的哈希特征,通过视频的哈希特征实现对初步确定出的视频集合中播放画面重复度较高的视频的过滤,有利于提高确定出的待推荐视频集合的有效性。
可见,实施本发明实施例所描述的方法能够生成包括特征信息、类别标签及哈希特征的信息集合作为视频筛选时的参考依据,有利于提高筛选出的视频的有效性;此外,当视频不存在原始类别标签时,能够通过预测类别标签生成相关视频信息,进一步提高了视频筛选的有效性。
实施例二(方法侧实施例)
请参阅图2,图2是本发明实施例公开的另一种应用于视频筛选的视频信息生成方法的流程示意图。其中,图2所描述的方法可以应用于信息生成装置中,可选的,该信息生成装置可以具体是信息生成设备,也可以是后台服务器,本发明实施例不做限定。如图2所示,该应用于视频筛选的视频信息生成方法可以包括以下操作:
201、信息生成装置生成类别标签关联关系。
202、信息生成装置根据目标特征信息、目标类别标签、目标视频的哈希特征以及目标视频的目标视频标识,生成目标视频对应的目标信息集合。
203、信息生成装置获取原视频集合中每个待筛选视频对应的信息集合,每个待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识。
本发明实施例中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
204、信息生成装置根据预先确定出的类别标签关联关系,从所有待筛选视频对应的信息集合所包括的类别标签中确定存在关联关系的多个类别标签组。
205、对于每个类别标签组,信息生成装置将该类别标签组包括的所有类别标签所属的信息集合执行信息集中存放操作,得到多个多类别集合。
206、信息生成装置根据目标信息集合包括的目标特征信息及目标类别标签,从所有多类别集合中筛选与目标特征信息的匹配度满足预设匹配条件的目标待推荐视频。
可选的,信息生成装置根据目标信息集合包括的目标特征信息及目标类别标签,从所有多类别集合中筛选与目标特征信息的匹配度满足预设匹配条件的目标待推荐视频,可以包括:
信息生成装置根据目标信息集合包括的目标类别标签,从所有多类别集合中筛选包括目标类别标签的目标多类别集合;
信息生成装置根据目标信息集合包括的目标特征信息,从目标多类别集合中筛选与目标特征信息的匹配度满足预设匹配条件的目标待推荐视频。
207、信息生成装置根据目标信息集合以及所有目标待推荐视频对应的信息集合确定用于筛选视频的视频信息。
可见,本发明实施例所描述的方法能够生成包括特征信息、类别标签及哈希特征的信息集合作为视频筛选时的参考依据,有利于提高筛选出的视频的有效性;此外,当视频不存在原始类别标签时,能够通过预测类别标签生成相关视频信息,进一步提高了视频筛选的有效性;此外,还能够在获取到待筛选视频对应的信息集合时,将存在关联关系的类别标签所属的信息集合进行集中存放,且通过目标特征信息及目标类别标签对所有待筛选视频对应的信息集合的范围进行缩小,以简化视频信息的内容并提高确定出的视频信息的精准性,进而有利于提高根据视频信息进行相关视频筛选的效率及准确率。此外,还能够通过生成类别标签关联关系的方式对确定出的视频信息进行一定程度的拓展,进而有利于实现根据视频信息筛选出不同类别标签的相关视频,进而提高根据视频信息筛选出的相关视频的准确性。
在一个可选的实施例中,信息生成装置生成类别标签关联关系,可以包括:
信息生成装置将验证视频集合中每个验证视频输入预先训练好的类别识别模型,得到每个验证视频对应的多个类别标签,其中,每个验证视频存在与之对应的原始类别标签;
信息生成装置提取每个验证视频对应的所有类别标签中满足预设筛选条件的类别标签,得到每个验证视频对应的类别标签集合;
信息生成装置统计同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,并根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选存在关联关系的多个类别标签,得到该原始类别标签对应的类别标签集合;
信息生成装置分别建立每个原始类别标签对应的类别标签集合中所有类别标签的关联关系,得到多组类别标签关联关系。
可选的,信息生成装置根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选存在关联关系的多个类别标签,可以包括:
信息生成装置根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选标记数大于等于预设标记数阈值的所有类别标签,作为该原始类别标签下存在关联关系的所有类别标签。
举例来说,假设某一原始类别标签a下的验证视频包括3个验证视频,第一个验证视频对应的类别标签集合为a、b以及c,第二个验证视频对应的类别标签集合为a、b、d,第三个验证视频对应的类别标签集合为a、b以及e,则统计出的每个类别标签对应的标记数为:类别标签a对应的标记数为3,类别标签b对应的标记数为3,类别标签c、类别标签d以及类别标签e对应的标记数均为1,若预设标记数阈值为2,则该原始类别标签下存在关联关系的所有类别标签为类别标签a及类别标签b,并建立类别标签a与类别标签b之间的关联关系。
在该可选的实施例中,由于不同类别标签的视频也可能具有一定的相关性,通过预先训练好的类别识别模型构建相关视频的类别标签之间的关联关系,这样能够提高根据生成的视频信息进行相关视频筛选的的全面性与准确性,减少因类别标签不同而导致相关视频无法被推荐给用户的情况发生。
在另一个可选的实施例中,信息生成装置提取目标视频的目标特征信息,可以包括:
信息生成装置将目标视频输入预先训练好的特征提取模型,得到目标视频的目标特征信息。
在该可选的实施例中,进一步可选的,信息生成装置确定目标视频的目标类别标签可以包括:
当存在目标视频的原始类别标签时,信息生成装置将目标视频的原始类别标签确定为目标视频的目标类别标签;
当不存在目标视频的原始类别标签时,信息生成装置将目标特征信息输入预先训练好的类别识别模型,得到目标视频的预测类别标签,并将目标视频的预测类别标签确定为目标视频的目标类别标签。
又进一步可选的,信息生成装置将目标特征信息输入预先训练好的类别识别模型,得到目标视频的预测类别标签,可以包括:
信息生成装置将目标特征信息输入预先训练好的类别识别模型,得到目标类别标签集合中每个类别标签对应的预测概率;
信息生成装置将目标类别标签集合包括的所有类别标签中对应的预测概率最大的类别标签确定为目标视频的预测类别标签。
又进一步可选的,当存在目标视频的原始类别标签时,信息生成装置将目标视频的原始类别标签确定为目标视频的目标类别标签之前,信息生成装置还可以执行以下操作:
信息生成装置将目标特征信息输入预先训练好的类别识别模型,得到目标视频的预测类别标签,并判断得到的预测类别标签是否与目标视频的原始类别标签相同,若是,则执行上述的将目标视频的原始类别标签确定为目标视频的目标类别标签的操作;若否,则将目标视频的预测类别标签更新为目标视频的原始类别标签,并执行上述的将目标视频的原始类别标签确定为目标视频的目标类别标签的操作。
可见,该可选的实施例还能够在视频不存在原始类别标签时通过预先训练好的类别识别模型预测的类别标签,有利于提高后续生成的视频信息的有效性。此外,还能够在视频存在原始类别标签时,通过训练好的类别识别模型预测的类别标签对原始类别标签进行校准,有利于提高视频的原始类别标签的准确性。
实施例三(装置侧实施例)
请参阅图3,图3是本发明实施例公开的一种应用于视频筛选的视频信息生成装置的结构示意图。其中,图3所描述的装置可以具体应用于信息生成设备或后台服务器中,本发明实施例不做限定。如图3所示,该应用于视频筛选的视频信息生成装置可以包括:
提取模块301,用于提取目标视频的目标特征信息,该目标特征信息用于表征目标视频的风格特征。
第一确定模块302,用于确定目标视频的目标类别标签。
生成模块303,用于根据目标特征信息、目标类别标签、目标视频的哈希特征以及目标视频的目标视频标识,生成目标视频对应的目标信息集合。
获取模块304,用于获取原视频集合中每个待筛选视频对应的信息集合,每个待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识。
第二确定模块305,用于根据目标信息集合以及所有待筛选视频对应的信息集合确定用于筛选视频的视频信息。
其中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
可见,实施图3所描述的装置能够生成包括特征信息、类别标签及哈希特征的信息集合作为视频筛选时的参考依据,有利于提高筛选出的视频的有效性;此外,当视频不存在原始类别标签时,能够通过预测类别标签生成相关视频信息,进一步提高了视频筛选的有效性。
在一个可选的实施例中,如图4所示,第二确定模块305可以包括:
确定子模块3051,用于根据预先确定出的类别标签关联关系,从所有待筛选视频对应的信息集合所包括的类别标签中确定存在关联关系的多个类别标签组;
集中存放子模块3052,用于对于每个类别标签组,将该类别标签组包括的所有类别标签所属的信息集合执行信息集中存放操作,得到多个多类别集合;
筛选子模块3053,用于根据目标信息集合包括的目标特征信息以及目标类别标签,从所有多类别集合中筛选与目标特征信息的匹配度满足预设匹配条件的目标待推荐视频;
确定子模块3051,还用于根据目标信息集合以及所有目标待推荐视频对应的信息集合确定用于筛选视频的视频信息。
可选的,筛选子模块3053根据目标信息集合包括的目标特征信息以及目标类别标签,从所有多类别集合中筛选与目标特征信息的匹配度满足预设匹配条件的目标待推荐视频的具体方式可以为:
根据目标信息集合包括的目标类别标签,从所有多类别集合中筛选包括目标类别标签的目标多类别集合;
根据目标信息集合包括的目标特征信息,从目标多类别集合中筛选与目标特征信息的匹配度满足预设匹配条件的目标待推荐视频。
可见,该可选的实施例还能够在获取到待筛选视频对应的信息集合时,将存在关联关系的类别标签所属的信息集合进行集中存放,且通过目标特征信息及目标类别标签对所有待筛选视频对应的信息集合的范围进行缩小,以简化视频信息的内容并提高确定出的视频信息的精准性,进而有利于提高根据视频信息进行相关视频筛选的效率及准确率。此外,还能够通过生成类别标签关联关系的方式对确定出的视频信息进行一定程度的拓展,进而有利于实现根据视频信息筛选出不同类别标签的相关视频,进而提高根据视频信息筛选出的相关视频的准确性。
在另一个可选的实施例中,如图4所示,该装置还可以包括:
关联关系生成模块306,用于在第二确定模块305根据目标信息集合以及所有待筛选视频对应的信息集合确定用于筛选视频的视频信息之前,生成类别标签关联关系。
进一步可选的,如图4所示,关联关系生成模块306可以包括:
输入子模块3061,用于将验证视频集合中每个验证视频输入预先训练好的类别识别模型,得到每个验证视频对应的多个类别标签,其中,每个验证视频存在与之对应的原始类别标签;
提取子模块3062,用于提取每个验证视频对应的所有类别标签中满足预设筛选条件的类别标签,得到每个验证视频对应的类别标签集合;
统计子模块3063,用于统计同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,并根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选存在关联关系的多个类别标签,得到该原始类别标签对应的类别标签集合;
建立子模块3064,用于分别建立每个原始类别标签对应的类别标签集合中所有类别标签的关联关系,得到多组类别标签关联关系。
在又一个可选的实施例中,提取模块301提取目标视频的目标特征信息的具体方式为:
将目标视频输入预先训练好的特征提取模型,得到目标视频的目标特征信息;
其中,第一确定模块302确定目标视频的目标类别标签的具体方式为:
当存在目标视频的原始类别标签时,将目标视频的原始类别标签确定为目标视频的目标类别标签;
当不存在目标视频的原始类别标签时,将目标特征信息输入预先训练好的类别识别模型,得到目标视频的预测类别标签,并将目标视频的预测类别标签确定为目标视频的目标类别标签。
进一步可选的,第一确定模块301将目标特征信息输入预先训练好的类别识别模型,得到目标视频的预测类别标签的具体方式为:
将目标特征信息输入预先训练好的类别识别模型,得到目标类别标签集合中每个类别标签对应的预测概率;
将目标类别标签集合包括的所有类别标签中对应的预测概率最大的类别标签确定为目标视频的预测类别标签。
在又一个可选的实施例中,目标特征信息及目标类别标签用于从原视频集合中筛选出第一视频集合,第一视频集合包括多个视频;目标视频的哈希特征用于从第一视频集合中过滤掉视频画面的内容重合度高于预先设定的重合度阈值的视频得到第二视频集合,作为目标视频对应的待推荐视频。
可见,实施图4所描述的装置还能够提高根据生成的视频信息进行相关视频筛选的的全面性与准确性,减少因类别标签不同而导致相关视频无法被推荐给用户的情况发生。此外,还能够在视频不存在原始类别标签时通过预先训练好的类别识别模型预测的类别标签,有利于提高后续生成的视频信息的有效性。
实施例四
请参阅图5,图5是本发明实施例公开的又一种应用于视频筛选的视频信息生成装置的结构示意图。其中,图5所描述的装置可以具体应用于信息生成设备或后台服务器中,本发明实施例不做限定。如图5所示,该装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
其中,处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一或实施例二中所描述的应用于视频筛选的视频信息生成方法中的部分或全部步骤。
实施例五
本发明实施例公开了一种计算机存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一或实施例二中所描述的应用于视频筛选的视频信息生成方法中的部分或全部步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的应用于视频筛选的视频信息生成方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种应用于视频筛选的视频信息生成方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种应用于视频筛选的视频信息生成方法,其特征在于,所述方法包括:
提取目标视频的目标特征信息,并确定所述目标视频的目标类别标签,所述目标特征信息用于表征所述目标视频的风格特征;
根据所述目标特征信息、所述目标类别标签、所述目标视频的哈希特征以及所述目标视频的目标视频标识,生成所述目标视频对应的目标信息集合;
获取原视频集合中每个待筛选视频对应的信息集合,每个所述待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识;
根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息;
其中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
2.根据权利要求1所述的应用于视频筛选的视频信息生成方法,其特征在于,所述根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息,包括:
根据预先确定出的类别标签关联关系,从所有所述待筛选视频对应的信息集合所包括的类别标签中确定存在关联关系的多个类别标签组;
对于每个所述类别标签组,将该类别标签组包括的所有类别标签所属的信息集合执行信息集中存放操作,得到多个多类别集合;
根据所述目标信息集合包括的所述目标特征信息及所述目标类别标签,从所有所述多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频;
根据所述目标信息集合以及所有所述目标待推荐视频对应的信息集合确定用于筛选视频的视频信息。
3.根据权利要求2所述的应用于视频筛选的视频信息生成方法,其特征在于,所述根据所述目标信息集合包括的所述目标特征信息及所述目标类别标签,从所有所述多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频,包括:
根据所述目标信息集合包括的所述目标类别标签,从所有所述多类别集合中筛选包括所述目标类别标签的目标多类别集合;
根据所述目标信息集合包括的所述目标特征信息,从所述目标多类别集合中筛选与所述目标特征信息的匹配度满足预设匹配条件的目标待推荐视频。
4.根据权利要求2或3所述的应用于视频筛选的视频信息生成方法,其特征在于,所述根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息之前,所述方法还包括:
生成类别标签关联关系;
其中,所述生成类别标签关联关系,包括:
将验证视频集合中每个验证视频输入预先训练好的类别识别模型,得到每个所述验证视频对应的多个类别标签,其中,每个所述验证视频存在与之对应的原始类别标签;
提取每个所述验证视频对应的所有类别标签中满足预设筛选条件的类别标签,得到每个所述验证视频对应的类别标签集合;
统计同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,并根据统计出的同一原始类别标签下的所有验证视频对应的所有类别标签集合中每个类别标签的标记数,从该原始类别标签下的所有验证视频对应的所有类别标签集合中筛选存在关联关系的多个类别标签,得到该原始类别标签对应的类别标签集合;
分别建立每个原始类别标签对应的类别标签集合中所有类别标签的关联关系,得到多组类别标签关联关系。
5.根据权利要求4所述的应用于视频筛选的视频信息生成方法,其特征在于,所述提取目标视频的目标特征信息,包括:
将目标视频输入预先训练好的特征提取模型,得到所述目标视频的目标特征信息;
以及,所述确定所述目标视频的目标类别标签,包括:
当存在所述目标视频的原始类别标签时,将所述目标视频的原始类别标签确定为所述目标视频的目标类别标签;
当不存在所述目标视频的原始类别标签时,将所述目标特征信息输入预先训练好的类别识别模型,得到所述目标视频的预测类别标签,并将所述目标视频的预测类别标签确定为所述目标视频的目标类别标签。
6.根据权利要求5所述的应用于视频筛选的视频信息生成方法,其特征在于,所述将所述目标特征信息输入预先训练好的类别识别模型,得到所述目标视频的预测类别标签,包括:
将所述目标特征信息输入预先训练好的类别识别模型,得到目标类别标签集合中每个类别标签对应的预测概率;
将所述目标类别标签集合包括的所有类别标签中对应的预测概率最大的类别标签确定为所述目标视频的预测类别标签。
7.根据权利要求6所述的应用于视频筛选的视频信息生成方法,其特征在于,所述目标特征信息及所述目标类别标签用于从所述原视频集合中筛选出第一视频集合,所述第一视频集合包括多个视频;
所述目标视频的哈希特征用于从所述第一视频集合中过滤掉视频画面的内容重合度高于预先设定的重合度阈值的视频得到第二视频集合,作为所述目标视频对应的待推荐视频。
8.一种应用于视频筛选的视频信息生成装置,其特征在于,所述装置包括:
提取模块,用于提取目标视频的目标特征信息,所述目标特征信息用于表征所述目标视频的风格特征;
第一确定模块,用于确定所述目标视频的目标类别标签;
生成模块,用于根据所述目标特征信息、所述目标类别标签、所述目标视频的哈希特征以及所述目标视频的目标视频标识,生成所述目标视频对应的目标信息集合;
获取模块,用于获取原视频集合中每个待筛选视频对应的信息集合,每个所述待筛选视频对应的信息集合包括该待筛选视频的特征信息、类别标签、哈希特征以及视频标识;
第二确定模块,用于根据所述目标信息集合以及所有所述待筛选视频对应的信息集合确定用于筛选视频的视频信息;
其中,当某一待筛选视频不存在原始类别标签时,该待筛选视频对应的信息集合所包括的类别标签为该待筛选视频的预测类别标签。
9.一种应用于视频筛选的视频信息生成装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的应用于视频筛选的视频信息生成方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的应用于视频筛选的视频信息生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153741.3A CN112989114B (zh) | 2021-02-04 | 2021-02-04 | 应用于视频筛选的视频信息生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153741.3A CN112989114B (zh) | 2021-02-04 | 2021-02-04 | 应用于视频筛选的视频信息生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989114A true CN112989114A (zh) | 2021-06-18 |
CN112989114B CN112989114B (zh) | 2023-08-29 |
Family
ID=76346887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153741.3A Active CN112989114B (zh) | 2021-02-04 | 2021-02-04 | 应用于视频筛选的视频信息生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989114B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090151008A1 (en) * | 2005-07-01 | 2009-06-11 | Searete Llc. A Limited Liability Corporation Of The State Of Delaware | Media markup system for content alteration in derivative works |
CN103617233A (zh) * | 2013-11-26 | 2014-03-05 | 烟台中科网络技术研究所 | 一种基于语义内容多层表示的重复视频检测方法与装置 |
CN105677735A (zh) * | 2015-12-30 | 2016-06-15 | 腾讯科技(深圳)有限公司 | 一种视频搜索方法及装置 |
CN109359194A (zh) * | 2018-09-30 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 用于预测信息类别的方法和装置 |
CN109740018A (zh) * | 2019-01-29 | 2019-05-10 | 北京字节跳动网络技术有限公司 | 用于生成视频标签模型的方法和装置 |
CN109815365A (zh) * | 2019-01-29 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于处理视频的方法和装置 |
CN111144936A (zh) * | 2019-12-19 | 2020-05-12 | 有米科技股份有限公司 | 基于用户标签的相似人群扩展方法及装置 |
CN111222500A (zh) * | 2020-04-24 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种标签提取方法及装置 |
CN111783712A (zh) * | 2020-07-09 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种视频处理方法、装置、设备及介质 |
CN112163122A (zh) * | 2020-10-30 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 确定目标视频的标签的方法、装置、计算设备及存储介质 |
-
2021
- 2021-02-04 CN CN202110153741.3A patent/CN112989114B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090151008A1 (en) * | 2005-07-01 | 2009-06-11 | Searete Llc. A Limited Liability Corporation Of The State Of Delaware | Media markup system for content alteration in derivative works |
CN103617233A (zh) * | 2013-11-26 | 2014-03-05 | 烟台中科网络技术研究所 | 一种基于语义内容多层表示的重复视频检测方法与装置 |
CN105677735A (zh) * | 2015-12-30 | 2016-06-15 | 腾讯科技(深圳)有限公司 | 一种视频搜索方法及装置 |
CN109359194A (zh) * | 2018-09-30 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 用于预测信息类别的方法和装置 |
CN109740018A (zh) * | 2019-01-29 | 2019-05-10 | 北京字节跳动网络技术有限公司 | 用于生成视频标签模型的方法和装置 |
CN109815365A (zh) * | 2019-01-29 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于处理视频的方法和装置 |
CN111144936A (zh) * | 2019-12-19 | 2020-05-12 | 有米科技股份有限公司 | 基于用户标签的相似人群扩展方法及装置 |
CN111222500A (zh) * | 2020-04-24 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种标签提取方法及装置 |
CN111783712A (zh) * | 2020-07-09 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种视频处理方法、装置、设备及介质 |
CN112163122A (zh) * | 2020-10-30 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 确定目标视频的标签的方法、装置、计算设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112989114B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062871B (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
US20190362171A1 (en) | Living body detection method, electronic device and computer readable medium | |
CN111428088A (zh) | 视频分类方法、装置及服务器 | |
CN111738243B (zh) | 人脸图像的选择方法、装置、设备及存储介质 | |
CN110263215B (zh) | 一种视频情感定位方法及系统 | |
CN112749608A (zh) | 视频审核方法、装置、计算机设备和存储介质 | |
CN113709384A (zh) | 基于深度学习的视频剪辑方法、相关设备及存储介质 | |
CN111696080B (zh) | 一种基于静态纹理的人脸欺诈检测方法、系统及存储介质 | |
CN108733676A (zh) | 视频缩略图的提取方法及装置 | |
CN111754267A (zh) | 基于区块链的数据处理方法及系统 | |
CN111401374A (zh) | 基于多任务的模型训练方法、字符识别方法及装置 | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN113392270A (zh) | 视频处理方法、装置、计算机设备以及存储介质 | |
CN114339362A (zh) | 视频弹幕匹配方法、装置、计算机设备和存储介质 | |
CN112101359A (zh) | 文本公式的定位方法、模型训练方法及相关装置 | |
CN115222427A (zh) | 基于人工智能的欺诈风险识别方法及相关设备 | |
CN112364852B (zh) | 融合全局信息的动作视频段提取方法 | |
CN111597361B (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
CN112989115A (zh) | 待推荐视频的筛选控制方法及装置 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN115983873B (zh) | 一种基于大数据的用户数据分析管理系统及方法 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN112989114A (zh) | 应用于视频筛选的视频信息生成方法及装置 | |
CN112381151B (zh) | 相似视频的确定方法及装置 | |
CN113297416A (zh) | 视频数据存储方法、装置、电子设备和可读存储介质 |
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 |