CN113139092B - 视频搜索方法及装置、电子设备和介质 - Google Patents
视频搜索方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113139092B CN113139092B CN202110468619.5A CN202110468619A CN113139092B CN 113139092 B CN113139092 B CN 113139092B CN 202110468619 A CN202110468619 A CN 202110468619A CN 113139092 B CN113139092 B CN 113139092B
- Authority
- CN
- China
- Prior art keywords
- video
- coding
- network
- branch
- searched
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000012634 fragment Substances 0.000 claims abstract description 25
- 230000006835 compression Effects 0.000 claims description 75
- 238000007906 compression Methods 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/43—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of news video content
-
- 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)
- Multimedia (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种视频搜索方法及装置、电子设备和介质,涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术,可应用于视频理解场景下。实现方案为:提取待搜索视频的第一编码特征;对第一编码特征进行压缩,得到第二编码特征;根据第二编码特征,从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频;以及根据第二编码特征,分别从各目标视频中确定与待搜索视频相匹配的目标片段。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术,可应用于视频理解场景下。具体涉及一种视频搜索的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
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。
视频相较于文本、图像等信息传播媒介可以提供更丰富的信息内容。在一些场景中,用户希望通过搜索来获取其需要的视频。现有的视频搜索方法通常是基于文本的搜索,即,通过匹配用户输入的搜索词与视频库中的各个视频的文本标签来得到搜索结果。这种搜索方式与视频本身的内容无关,仅依赖于用户输入的搜索词和视频文本标签标注的准确性,搜索结果通常难以令用户满意。
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搜索的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种视频搜索方法,该方法包括:提取待搜索视频的第一编码特征;对第一编码特征进行压缩,得到第二编码特征;根据第二编码特征,从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频;以及根据第二编码特征,分别从各目标视频中确定与待搜索视频相匹配的目标片段。
根据本公开的另一方面,提供了一种用于视频编码的伪孪生网络的训练方法,该伪孪生网络包括两个分支,每个分支为一个由编码器和解码器组成的自编码器,编码器和解码器各自包括待训练的多个参数,该方法包括:获取多组训练数据,每一组训练数据包括第一视频的编码、第二视频的编码和匹配标签,匹配标签用于表示第一视频与第二视频是否相匹配;以及基于多组训练数据来训练伪孪生网络,其中:将第一视频的编码输入伪孪生网络的第一分支;将第二视频的编码输入伪孪生网络的第二分支;根据第一分支的输入与输出的误差、第二分支的输入与输出的误差、第一分支的编码器的输出与第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及根据损失函数值来调整多个参数的值。
根据本公开的另一方面,提供了一种视频搜索装置,包括:第一编码模块,被配置为提取待搜索视频的第一编码特征;第二编码模块,被配置对第一编码特征进行压缩,以得到第二编码特征;视频级搜索模块,被配置为根据第二编码特征,从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频;以及片段定位模块,被配置为根据第二编码特征,分别从各目标视频中确定与待搜索视频相匹配的目标片段。
根据本公开的另一方面,提供了一种用于视频编码的伪孪生网络的训练装置,伪孪生网络包括两个分支,每个分支为一个由编码器和解码器组成的自编码器,编码器和解码器各自包括待训练的多个参数,该装置包括:获取模块,被配置为获取多组训练数据,每一组训练数据包括第一视频的编码、第二视频的编码和匹配标签,匹配标签用于表示第一视频与第二视频是否相匹配;以及训练模块,被配置为基于多组训练数据来训练伪孪生网络,训练模块包括:第一输入单元,被配置为将第一视频的编码输入伪孪生网络的第一分支;第二输入单元,被配置为将第二视频的编码输入所述伪孪生网络的第二分支;损失计算单元,被配置为根据第一分支的输入与输出的误差、第二分支的输入与输出的误差、第一分支的编码器的输出与第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及参数更新单元,被配置为根据损失函数值来调整多个参数的值。
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;以及与上述至少一个处理器通信连接的存储器。该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述任一方面的方法。
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上述任一方面的方法。
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。该计算机程序在被处理器执行时实现上述任一方面的方法。
根据本公开的一个或多个实施例,提供了一种基于视频内容的“以视频搜视频”的视频搜索方案。通过提取待搜索视频的第一编码特征并对其进行压缩,可以得到长度较第一编码特征更短的、能够表达待搜索视频中的关键内容的更精炼的第二编码特征。根据第二编码特征来确定目标视频并定位目标视频中的目标片段,能够实现快速、准确的视频搜索。
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示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的视频搜索方法的流程图;
图3示出了根据本公开的实施例的用于视频编码的伪孪生网络的结构图;
图4示出了根据本公开的实施例的用于视频编码的伪孪生网络的训练方法的流程图;
图5示出了根据本公开的实施例的视频搜索装置的结构框图;
图6示出了根据本公开的实施例的用于视频编码的伪孪生网络的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。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行视频搜索的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行视频搜索。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量、任何类型的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
为了本公开实施例的目的,在图1的示例中,客户端设备101、102、103、104、105和106中可以包括用于进行视频搜索的客户端应用。客户端应用例如可以是运行前需要下载和安装的应用程序,也可以是可通过浏览器访问的视频网站,还可以是运行于宿主应用中的轻量化的小程序,等等。该客户端应用可以提供基于视频的各种功能,例如视频的搜索、观看、上传、下载、剪辑等。与此相应,服务器120可以是与该客户端应用一起使用的服务器。服务器120可以基于已存储的视频资源、视频剪辑工具等来向客户端设备101、102、103、104、105和106中运行的客户端应用提供视频服务。具体地,服务器120可以基于已存储的视频资源,执行本公开实施例的视频搜索方法200,向用户提供视频搜索服务,实现快速、准确的视频搜索。
图2是图示出根据示例性实施例的视频搜索方法200的流程图。方法200可以在服务器(例如,图1中所示的服务器120)处执行,也即,方法200的各个步骤的执行主体可以是图1中所示的服务器120。
如图2所示,方法200包括:步骤210、提取待搜索视频的第一编码特征;步骤220、对第一编码特征进行压缩,得到第二编码特征;步骤230、根据第二编码特征,从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频;以及步骤240、根据第二编码特征,分别从各目标视频中确定与待搜索视频相匹配的目标片段。
根据本公开的实施例,提供了一种基于视频内容的“以视频搜视频”的视频搜索方案。通过提取待搜索视频的第一编码特征并对其进行压缩,可以得到长度较第一编码特征更短的、能够表达待搜索视频中的关键内容的更精炼的第二编码特征。根据第二编码特征来确定目标视频并定位目标视频中的目标片段,能够实现快速、准确的视频搜索。
本公开实施例的视频搜索方法200涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术。方法200可应用于视频理解场景下,例如用于搜索与用户指定的待搜索视频相匹配的目标视频,或者基于视频内容向用户进行视频推荐等。
在本公开的实施例中,待搜索视频通常为时长较短的视频(例如几秒钟或几分钟),即短视频。候选视频、目标视频通常为时长较长的视频(时长至少大于待搜索视频,例如几分钟或几十分钟),即长视频。
例如,在一些场景中,用户可能通过某种渠道观看到体育赛事中的精彩片段,例如足球赛事中的射门片段、篮球赛事中的扣篮片段等,进而希望搜索包含该精彩片段的完整的赛事视频,或者搜索具有类似的精彩片段的赛事视频。在这种情况下,待搜索视频即为体育赛事的精彩片段;候选视频可以是服务器或相关联的数据库中存储的所有视频,或者是所有体育赛事视频、某一类型的体育赛事视频,等等;目标视频则为从候选视频中搜索得出的与上述精彩片段相匹配的赛事视频。
又例如,在另一些场景中,用户可能通过某种渠道观看到某个精彩的影视片段,希望搜索包含该影视片段的电影或电视剧剧集,或者搜索具有类似场景或情节的相关视频。在这种情况下,待搜索视频即为该影视片段;候选视频可以是服务器或相关联的数据库中存储的所有视频,或者是所有电影/电视剧视频、某种类型(例如喜剧片、悬疑片等)或某些演员主演的电影/电视剧视频,等等;目标视频则为从候选视频中搜索得出的与上述精彩影视片段相匹配的视频。
以下详细描述方法200的各个步骤。
参考图2,在步骤210中,提取待搜索视频的第一编码特征。
步骤210中的待搜索视频可以通过多种方式获取。
根据一些实施例,用户可以通过客户端设备上传待搜索视频,并发起视频搜索请求,请求搜索与该待搜索视频相匹配的视频。相应地,在步骤210中,服务器可以直接获取用户上传的该待搜索视频。
根据另一些实施例,用户可以通过客户端设备指定待搜索视频的地址,并发起视频搜索请求。相应地,在步骤210中,服务器可以从相应的地址获取待搜索视频。
根据又一些实施例,服务器可以将用户观看过的任意视频作为待搜索视频,而无需用户进行指定。在这种情况下,服务器可以通过方法200来确定出与待搜索视频相匹配的目标视频及其中的目标片段,将目标视频和目标片段推送至客户端设备,以向用户提供视频智能推荐服务。
获取到待搜索视频后,可以采用多种方式来提取待搜索视频的第一编码特征。
根据一些实施例,可以将待搜索视频输入预设的第一编码网络,以便第一编码网络输出第一编码特征。
第一编码网络可以是任意能够进行视频编码的网络。根据一些实施例,第一编码网络为分类网络,该分类网络包括相连的全连接层和分类输出层。其中,分类输出层为分类网络的最后一层,用于输出分类结果;全连接层为分类网络的倒数第二层,用于生成分类输出层的输入。在该实施例中,可以将待搜索视频输入第一编码网络,以及将第一编码网络的全连接层的输出作为待搜索视频的第一编码特征。
根据一些实施例,待搜索视频可以包括多个视频片段,每个视频片段包括第一预设数量的图像帧。第一预设数量例如可以是4、8或者其他数值。这种情况下,可以分别将各视频片段输入第一编码网络,以便第一编码网络输出各视频片段的片段编码;以及将上述多个视频片段的片段编码进行组合,得到第一编码特征。在该实施例中,各视频片段可以并行地输入第一编码网络,即,各视频片段的编码过程可以并行执行,从而减少编码耗时,能够快速提取出待搜索视频的第一编码特征。
例如,待搜索视频为一个时长为20秒的短视频,每秒包括25个图像帧,即待搜索视频包括20*25=500个图像帧。第一预设数量被设置为4,相应地,将待搜索视频按照每4个图像帧为一组来划分视频片段,得到500/4=125个视频片段,记为seg1,seg2,…,seg125。分别将各视频片段输入第一预设编码网络,第一编码网络输出各视频片段的片段编码,分别为code1,code2,…,code125。然后将各视频片段的片段编码code1,code2,…,code125进行组合,得到第一编码特征。片段编码的组合方式有多种。例如,每一个片段编码codei(i=1,2,…,125)是一个1024维的向量,可以将这125个片段编码组合成一个128000维的向量,将该向量作为待搜索视频的第一编码特征;或者将这125个片段编码组合成一个125*1024的矩阵,矩阵的第i行为第i个视频片段的片段编码codei,将该矩阵作为待搜索视频的第一编码特征。
根据另一些实施例,可以对待搜索视频的图像帧进行采样,提取采样帧(即被采样的图像帧)的图像特征,然后将各采样帧的图像特征进行组合,得到待搜索视频的第一编码特征。
在通过步骤210得到待搜索视频的第一编码特征后,执行步骤220。
在步骤220中,对第一编码特征进行压缩,得到第二编码特征。
经压缩得到的第二编码特征相较于第一编码特征来说,长度更短,更专注于表达待搜索视频中的关键内容,是一种更精炼的编码特征。通过得到更精炼的第二编码特征,并于后续步骤230、240中根据第二编码特征来确定目标视频并定位目标视频中的目标片段,可以提高视频搜索的速度和准确性。
根据一些实施例,可以将第一编码特征输入预设的第二编码网络,以便第二编码网络输出压缩后的第二编码特征。
第二编码网络可以是任意能够实现编码压缩的网络。根据一些实施例,第二编码网络可以是伪孪生网络中的第一分支,该第一分支包括编码器。相应地,可以将第一编码特征输入第二编码网络,以及将第二编码网络的编码器的输出作为压缩后的第二编码特征。
具体地,上述实施例中的第一分支为一个由编码器和解码器组成的自编码器。通过训练,可以使得该自编码器的重构损失(即自编码器的输入和输出之间的误差)小于一定的阈值,即,使得该自编码器中的解码器能够对编码器输出的编码特征进行准确重构,从而可以认为编码器输出的编码特征能够准确表达输入中的关键信息,是对输入的更精炼的特征表示。相应地,如此训练得出的自编码器中的编码器,可以准确提取出第一编码特征中的关键信息,生成更加精炼的第二编码特征。第二编码特征相较于第一编码特征长度更短,且能够准确表达待搜索视频中的关键信息,从而可以提高视频搜索的速度和准确性。
更具体地,上述实施例中的伪孪生网络包括两个分支,即第一分支和第二分支。每个分支均为一个由编码器和解码器组成的自编码器。其中,第一分支用于对待搜索视频的第一编码特征进行压缩,得到第二编码特征;第二分支用于对候选视频的初始编码特征进行压缩,得到压缩特征。与第一分支类似地,第二分支可以生成精炼的、能够准确表达候选视频中的关键信息的压缩特征,从而提高视频搜索的速度和准确性。伪孪生网络的结构以及训练方法将于下文中详述。
在通过步骤220得到待搜索视频的第二编码特征后,执行步骤230。
在步骤230中,根据第二编码特征,从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。
根据一些实施例,可以获取多个候选视频中的每一个候选视频的压缩特征;根据第二编码特征和相应的压缩特征,分别确定待搜索视频与每一个候选视频的相似度;以及将相似度最大的第二预设数量的候选视频作为上述至少一个目标视频,或者,将相似度大于第一阈值的候选视频作为上述至少一个目标视频。
待搜索视频与候选视频的相似度可以通过计算第二编码特征与该候选视频的压缩特征的余弦相似度来确定。例如,待搜索视频query的第二编码特征为eq,候选视频ref的压缩特征为er,可以将eq与er的余弦相似度作为待搜索视频query与候选视频ref的相似度。
在一些实施例中,候选视频的所包括的图像帧的数量多于待搜索视频(视频的帧率通常为25~30帧每秒,候选视频所包括的图像帧的数量多于待搜索视频,通常意味着候选视频的时长大于待搜索视频),相应地,候选视频的压缩特征的长度大于待搜索视频的第二编码特征的长度。在这种情况下,可以将候选视频的压缩特征划分为长度与第二编码特征相同的多个压缩特征片段,通过计算第二编码特征与每个压缩特征片段的相似度来确定待搜索视频与候选视频的相似度。在这种情况下,候选视频的压缩特征包括多个压缩特征片段,每个压缩特征片段的长度与第二编码特征的长度相同。对于每一个候选视频,分别计算第二编码特征与该候选视频的每一个压缩特征片段的相似度;以及将该候选视频的各压缩特征片段的相似度的平均值作为待搜索视频与该候选视频的相似度。
例如,待搜索视频query的第二编码特征为eq,是一个1*512的向量;候选视频ref的压缩特征为er,是一个32*512的矩阵。可以将压缩特征er按行进行拆分,即拆分成32个1*512的压缩特征片段,记为er1,er2,…,er32。分别计算第二编码特征eq与每个压缩特征片段eri(i=1,2,…,32)的余弦相似度,记为sim1,sim2,…,sim32。计算sim1,sim2,…,sim32的平均值,将该平均值作为待搜索视频query与候选视频ref的相似度。
在确定出待搜索视频与每一个候选视频的相似度后,可以将各候选视频按照与待搜索视频的相似度由大到小的顺序排序,将相似度最大的第二预设数量的候选视频作为目标视频,或者将相似度大于第一阈值的候选视频作为目标视频。第二预设阈值、第一阈值的值可以由本领域技术人员根据实际情况来设定。例如,在一个实施例中,可以将第二预设阈值设置为50,或者将第一阈值设置为0.5。
在通过步骤230得到与待搜索视频相匹配的至少一个目标视频后,执行步骤240。
在步骤240中,根据第二编码特征,分别从各目标视频中确定与待搜索视频相匹配的目标片段。
通常地,目标视频所包括的图像帧的数量大于待搜索视频所包括的图像帧的数量(在二者帧率相同的前提下,即目标视频的时长大于待搜索视频的时长)。这种情况下,步骤240中确定的目标片段可以是由目标视频中的部分图像帧所组成的片段。
在另一些情况中,目标视频所包括的图像帧的数量小于等于待搜索视频所包括的图像帧的数量(在二者帧率相同的前提下,即目标视频的时长小于等于待搜索视频的时长)。这种情况下,步骤240中确定出的目标片段即为目标视频本身。
以下对通常情况(即所包括的图像帧的数量大于待搜索视频所包括的图像帧的数量)下的目标片段的确定方法作详细说明。
根据一些实施例,可以获取各目标视频的压缩特征,由于目标视频所包括的图像帧的数量较待搜索视频包括的图像帧的数量更多,因此相应地,目标视频的压缩特征的长度较待搜索视频的第二编码特征的长度更长,可以将压缩特征划分为长度与第二编码特征相同的多个压缩特征片段。即,目标视频的压缩特征包括多个压缩特征片段,每个压缩特征片段的长度与第二编码特征的长度相同。
对于每一个目标视频:分别计算第二编码特征与该目标视频的每一个压缩特征片段的相似度;将相似度大于第二阈值的压缩特征片段作为目标压缩特征片段;以及将目标压缩特征片段对应的目标视频中的片段作为目标片段。
第二编码特征与压缩特征片段的相似度例如可以是余弦相似度。第二阈值可以由本领域技术人员根据实际情况进行设置,在一个实施例中,例如可以将第二阈值设置为0.5。
由于压缩特征为对目标视频中的片段(即一组图像帧)依次进行特征提取并压缩后组合而成,因此压缩特征与目标视频的片段存在时间轴上的对应关系,从而可以确定目标压缩特征片段对应的目标视频中的片段。
根据一种实施例,目标视频包括时长相同的多个视频片段,这多个视频片段的数量与该目标视频的压缩特征所包括的多个压缩特征片段的数量相同,并且多个压缩特征片段与多个视频片段一一对应。相应地,可以将目标压缩特征片段对应的视频片段作为目标片段。
例如,目标视频的压缩特征包括32个压缩特征片段,记为er1,er2,…,er32。通过计算第二编码特征与该目标视频的每一个压缩特征片段的相似度,并将计算得出的相似度与预设的第二阈值0.5进行比较,得出与第二编码特征的相似度大于0.5的目标压缩特征片段为er2-er4以及er11。目标视频的时长为40分钟,相应地,可以将该视频划分为32个时长相同的视频片段,每个视频片段的时长为40/32=1.25分钟=75秒,即,该视频被划分为00:00:00(开始时间)-00:01:15(结束时间),00:01:15-00:02:30,00:02:30-00:03:45等32个视频片段。目标压缩特征片段为er2-er4以及er11,对应的视频片段为第2-4、11个视频片段,即00:01:15-00:02:30,00:02:30-00:03:45,00:03:45-00:05:00,00:12:30-00:13:45,即目标片段为00:01:15-00:05:00以及00:12:30-00:13:45。
可以理解,上述候选视频的压缩特征可以通过与生成待搜索视频的第二编码特征类似的方法得到。
根据一些实施例,可以将候选视频输入第一编码网络,得到候选视频的初始编码特征,即,候选视频的初始编码特征通过将候选视频输入第一编码网络得到。进一步地,可以将候选视频划分为多个视频片段,每个视频片段包括第一预设数量的图像帧;分别将各视频片段输入第一编码网络,以便第一编码网络输出各视频片段的片段编码;以及将多个视频片段的片段编码进行组合,得到初始编码特征。
根据一些实施例,在得到候选视频的初始编码特征后,将该初始编码特征输入伪孪生网络的第二分支,第二分支包括编码器,将编码器的输出作为候选视频的压缩特征。换言之,候选视频的压缩特征通过伪孪生网络的第二分支得到,第二分支包括编码器,压缩特征为将候选特征的初始编码特征输入第二分支后得到的第二分支的编码器的输出。
具体地,上述实施例中的第二分支为一个由编码器和解码器组成的自编码器。通过训练,可以使得该自编码器的重构损失(即自编码器的输入和输出之间的误差)小于一定的阈值,即,使得该自编码器中的解码器能够对编码器输出的编码特征进行准确重构,从而可以认为编码器输出的编码特征能够准确表达输入中的关键信息,是对输入的更精炼的特征表示。相应地,如此训练得出的自编码器中的编码器,可以准确提取出初始编码特征中的关键信息,生成更加精炼的压缩特征。压缩特征相较于初始编码特征长度更短,且能够准确表达候选视频中的关键信息,从而可以提高视频搜索的速度和准确性。
更具体地,上述实施例中的伪孪生网络包括两个分支,即第一分支和第二分支。每个分支均为一个由编码器和解码器组成的自编码器。其中,第一分支用于对待搜索视频的第一编码特征进行压缩,得到第二编码特征;第二分支用于对候选视频的初始编码特征进行压缩,得到压缩特征。与第一分支类似地,第二分支可以生成精炼的、能够准确表达候选视频中的关键信息的压缩特征,从而提高视频搜索的速度和准确性。
以下详细介绍本公开实施例的伪孪生网络的结构和训练方法。
图3示出了根据本公开实施例的用于视频编码的伪孪生网络300的结构图。如图3所示,伪孪生网络300包括两个分支,即第一分支310和第二分支320。每个分支为一个由编码器(Encoder)和解码器(Decoder)组成的自编码器(AutoEncoder)。具体地,第一分支310包括编码器312和解码器314;第二分支320包括编码器322和解码器324。
编码器312和322可以各自包括多个卷积层。除卷积层之外,还可以包括池化层、激活层、批标准化层等处理层。编码器312和322包括待训练的多个参数,这些待训练的参数例如包括各卷积层的卷积核的权重(weight)和偏置(bias),以及批标准化层的α参数、β参数等(批标准化层的数据处理过程可以用公式Y=α*X+β来表示,其中,X、Y分别为批标准化层的输入数据和输出数据;α、β为批标准化层的参数)。
解码器314和324可以各自包括多个卷积层和上采样层。除卷积层和上采样层之外,还可以包括激活层、批标准化层等处理层。解码器314和324包括待训练的多个参数,这些待训练的参数例如包括各卷积层的卷积核的权重和偏置,以及批标准化层的α参数、β参数等。
在一些实施例中,第一分支310和第二分支320具有相同的结构,但不共享参数。即,编码器312和322具有相同的结构,但二者的参数的值不同;解码器314和324具有相同的结构,但二者的参数的值不同。
图4示出了根据本公开实施例的用于视频编码的伪孪生网络的训练方法400的流程图。方法400可以在服务器,例如图1所示的服务器120处执行,即方法400的各个步骤的执行主体可以是图1中所示的服务器120。或者,方法400也可以在除服务器120以外的其他计算机设备上执行,该计算机设备在通过执行方法400训练生成用于视频编码的伪孪生网络后,可以将该伪孪生网络移植至服务器120,以便服务器120基于该伪孪生网络来提供视频搜索服务。
如图4所示,方法400包括:步骤410、获取多组训练数据,每一组训练数据包括第一视频的编码、第二视频的编码以及匹配标签,匹配标签用于表示第一视频与第二视频是否相匹配;以及步骤420、基于上述多组训练数据来训练伪孪生网络。具体地,在步骤420中,将第一视频的编码输入伪孪生网络的第一分支;将第二视频的编码输入伪孪生网络的第二分支;根据第一分支的输入与输出的误差、第二分支的输入与输出的误差、第一分支的编码器的输出与第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及根据损失函数值来调整多个参数的值。
根据本公开的实施例,伪孪生网络包括两个分支,每个分支为一个由编码器和解码器组成的自编码器。第一分支用于对第一视频的编码进行编码和重构,第二分支用于对第二视频的编码进行编码和重构。由于训练过程中使用的损失函数包括两个分支的自编码器的重构损失(即输入与输出的误差)以及两个分支的编码器输出的相似度损失,使得训练生成的伪孪生网络不仅能够准确提取出第一视频、第二视频中的关键信息,而且所提取出的关键信息能够用于准确判断两个视频是否相匹配。
具体到视频搜索场景中,该伪孪生网络的第一分支可用于对待搜索视频的第一编码特征进行压缩,将第一分支的编码器的输出作为待搜索视频的第二编码特征。伪孪生网络的第二分支可用于对候选视频的初始编码特征进行压缩,将第二分支的编码器的输出作为候选视频的压缩特征。然后,根据第二编码特征与压缩特征,可以计算得出待搜索视频与候选视频的相似度。将多个候选视频按照与待搜索视频的相似度由大到小的顺序排序,可以选择出相似度较大的多个候选视频作为目标视频。进一步地,根据第二编码特征与相应的压缩特征,可以从每一个目标视频中定位出与待搜索视频相匹配的目标片段。
以下详细介绍方法400的各个步骤。
在步骤410中,获取多组训练数据,每一组训练数据包括第一视频的编码、第二视频的编码和匹配标签,匹配标签用于表示第一视频与第二视频是否相匹配。
第一视频是时长较短的视频(例如几秒钟或几分钟),第二视频是时长较长的视频(时长至少大于第一视频,例如几分钟或几十分钟)。具体到视频搜索场景中,第一视频可以是可以作为待搜索视频的短视频,第二视频可以是作为候选视频的长视频。
第一视频的编码、第二视频的编码例如可以通过预设的第一编码网络来得到。第一编码网络例如可以是分类网络,可以将第一视频输入该分类网络,将分类网络中的最后一个全连接层的输出作为第一视频的编码;将第二视频输入该分类网络,将分类网络中的最后一个全连接层的输出作为第二视频的编码。
匹配标签用于表示第一视频与第二视频是否相匹配。例如,如果第二视频中包含与第一视频的场景或行为同类别的片段,则认为第一视频与第二视频相匹配,将匹配标签置1;如果第二视频中不包含与第一视频的场景或行为同类别的片段,则认为第一视频与第二视频不匹配,将匹配标签置0。场景或行为的类别可以由本领域技术人员根据实际情况来设置,类别例如可以包括日出、日落、射门、扣篮等。
具体地,由于第二视频较第一视频的时长更长,包括更多的图像帧,因此,第二视频的编码通常比第一视频的编码更长。根据一些实施例,可以将第二视频的编码划分为多个长度与第一视频的编码相同的编码片段,即,第二视频的编码包括多个编码片段,每个编码片段的长度与第一视频的编码的长度相同,并且每个编码片段对应于第二视频中的一个视频片段。相应地,匹配标签用于表示第一视频与每一个编码片段对应的第二视频片段是否相匹配。例如,第一视频的编码为fq,第二视频的编码为fr,第二视频的编码fr包括T个与第一视频的编码等长的编码片段,即fr,1,fr,2,…,fr,T。相应地,第二视频可以被划分为T个等长的视频片段,即seg1,seg2,…,segT。第i个编码片段fr,i对应于第i个视频片段segi。相应地,匹配标签是一个长度为T的二进制(0/1)序列g,序列中的第i位,即gi,用于表示第一视频与第二视频的第i个视频片段segi是否相匹配。如果视频片段segi中包含与第一视频的场景或行为同类别的片段,则认为第一视频与视频片段segi匹配,将gi置1;如果视频片段segi中不包含与第一视频的场景或行为同类别的片段,则认为第一视频与视频片段segi不匹配,将gi置0。
在通过步骤410得到多组训练数据后,执行步骤420。
在步骤420中,基于多组训练数据来训练伪孪生网络:将第一视频的编码输入伪孪生网络的第一分支。将第二视频的编码输入伪孪生网络的第二分支。具体地,第二视频的编码包括多个编码片段,将多个编码片段分别输入伪孪生网络的第二分支。根据第一分支的输入与输出的误差、第二分支的输入与输出的误差、第一分支的编码器的输出与第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及根据损失函数值来调整多个参数的值。
例如,参考图3,将第一视频的编码fq输入孪生网络的第一分支310的编码器312,编码器312对编码fq进一步进行编码,得到编码eq。解码器314对编码eq进行重构,得到重构后的编码fq’。编码fq’即为第一分支310的输出。
第二视频的编码fr包括T个编码片段fr,1,fr,2,…,fr,T。将这T个编码片段分别输入孪生网络的第二分支320的编码器322。编码器322对编码fr,i(i=1,2,…,T)进一步进行编码,得到编码er,i(i=1,2,…,T)。解码器324对编码er,i进行重构并组合,得到重构后的编码fr’。编码fr’即为第二分支320的输出。
训练过程中采用的损失函数L可以如下式所示:
L=Lrecon(fq,fq’)+Lrecon(fr,fr’)+λLsim
其中,Lrecon(fq,fq’)为第一分支310的输入fq与输出fq’的误差,具体可以是输入fq与输出fq’的欧氏距离;Lrecon(fr,fr’)为第二分支320的输入fr与输出fr’的误差,具体可以是输入fr与输出fr’的欧式距离;λ为预设的常数,用于平衡Lrecon(fq,fq’)、Lrecon(fr,fr’)、Lsim三者在训练过程中的贡献;Lsim为第一分支310的编码器312的输出eq与第二分支320的编码器322的输出er,i(i=1,2,…,T)的相似度,有:
其中,||||表示求二范数,gi为匹配标签,表示第一视频与第二视频中的第i个视频片段是否相匹配。
由于训练过程中使用的损失函数L包括两个分支的自编码器的重构损失(即输入与输出的误差)Lrecon(fq,fq’)、Lrecon(fr,fr’)以及两个分支的编码器输出的相似度损失Lsim,使得训练生成的伪孪生网络不仅能够准确提取出第一视频、第二视频中的关键信息,而且所提取出的关键信息能够用于准确判断两个视频是否相似。
图5示出了根据本公开的实施例的视频搜索装置500的结构框图。如图5所示,装置500包括:
第一编码模块510,可以被配置为提取待搜索视频的第一编码特征;
第二编码模块520,可以被配置为对第一编码特征进行压缩,以得到第二编码特征;
视频级搜索模块530,可以被配置为根据第二编码特征,从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频;以及
片段定位模块540,可以被配置为根据第二编码特征,分别从各目标视频中确定与待搜索视频相匹配的目标片段。
根据本公开的实施例,提供了一种基于视频内容的“以视频搜视频”的视频搜索方案。通过提取待搜索视频的第一编码特征并对其进行压缩,可以得到长度较第一编码特征更短的、能够表达待搜索视频中的关键内容的更精炼的第二编码特征。根据第二编码特征来确定目标视频并定位目标视频中的目标片段,能够实现快速、准确的视频搜索。
图6示出了根据本公开的实施例的用于视频编码的伪孪生网络的训练装置600的结构框图。如图6所示,装置600包括:
获取模块610,可以被配置为获取多组训练数据,每一组训练数据包括第一视频的编码、第二视频的编码和匹配标签,匹配标签用于表示第一视频与第二视频是否相匹配;以及
训练模块620,可以被配置为基于上述多组训练数据来训练伪孪生网络,该训练模块620进一步包括:
第一输入单元622,可以被配置为将第一视频的编码输入伪孪生网络的第一分支;
第二输入单元624,可以被配置为将第二视频的编码输入伪孪生网络的第二分支;
损失计算单元626,可以被配置为根据第一分支的输入与输出的误差、第二分支的输入与输出的误差、第一分支的编码器的输出与第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及
参数更新单元628,可以被配置为根据损失函数值来调整上述多个参数的值。
根据本公开的实施例,伪孪生网络包括两个分支,每个分支为一个由编码器和解码器组成的自编码器。第一分支用于对第一视频的编码进行编码和重构,第二分支用于对第二视频的编码进行编码和重构。由于训练过程中使用的损失函数包括两个分支的自编码器的重构损失(即输入与输出的误差)以及两个分支的编码器输出的相似度损失,使得训练生成的伪孪生网络不仅能够准确提取出第一视频、第二视频中的关键信息,而且所提取出的关键信息能够用于准确判断两个视频是否相似。
具体到视频搜索场景中,该伪孪生网络的第一分支可用于对待搜索视频的第一编码特征进行压缩,将第一分支的编码器的输出作为待搜索视频的第二编码特征。伪孪生网络的第二分支可用于对候选视频的初始编码特征进行压缩,将第二分支的编码器的输出作为候选视频的压缩特征。然后,根据第二编码特征与压缩特征,可以计算得出待搜索视频与候选视频的相似度。将多个候选视频按照与待搜索视频的相似度由大到小的顺序排序,可以选择出相似度较大的多个候选视频作为目标视频。进一步地,根据第二编码特征与相应的压缩特征,可以从每一个目标视频中定位出与待搜索视频相匹配的目标片段。
应当理解,图5中所示装置500的各个模块可以与参考图2描述的方法200中的各个步骤相对应,并且图6中所示装置600的各个模块可以与参考图4描述的方法400中的各个步骤相对应。由此,上面针对方法200描述的操作、特征和优点同样适用于装置500及其包括的模块,并且上面针对方法400描述的操作、特征和优点同样适用于装置600及其包括的模块。为了简洁起见,某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。例如,上面描述的第一编码模块510和第二编码模块520在一些实施例中可以组合成单个模块。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5和图6描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,在一些实施例中,第一编码模块510、第二编码模块520、视频级搜索模块530、片段定位模块540,以及获取模块610、训练模块620(包括第一输入单元622、第二输入单元624、损失计算单元626和参数更新单元628)中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
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700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,例如方法200和/或方法400。例如,在一些实施例中,方法200和/或方法400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方法200和/或方法400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)而被配置为执行方法200和/或方法400。
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,本公开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 (16)
1.一种视频搜索方法,包括:
提取待搜索视频的第一编码特征;
将所述第一编码特征输入预设的第二编码网络,以便所述第二编码网络输出压缩后的第二编码特征,其中,所述第二编码网络为伪孪生网络中的第一分支;
获取多个候选视频中的每一个候选视频的压缩特征,其中,所述压缩特征包括多个压缩特征片段,每个所述压缩特征片段的长度与所述第二编码特征的长度相同,所述候选视频的压缩特征通过伪孪生网络的第二分支得到;
根据所述第二编码特征和相应的压缩特征,分别确定所述待搜索视频与每一个候选视频的相似度;
将相似度最大的第二预设数量的候选视频作为与所述待搜索视频相匹配的至少一个目标视频,或者,将相似度大于第一阈值的候选视频作为与所述待搜索视频相匹配的至少一个目标视频;以及
根据所述第二编码特征,分别从各目标视频中确定与所述待搜索视频相匹配的目标片段。
2.根据权利要求1所述的方法,其中,所述提取待搜索视频的第一编码特征包括:
将所述待搜索视频输入预设的第一编码网络,以便所述第一编码网络输出所述第一编码特征。
3.根据权利要求2所述的方法,其中,所述第一编码网络为分类网络,所述分类网络包括相连的全连接层和分类输出层;
所述将所述待搜索视频输入预设的第一编码网络,以便所述第一编码网络输出所述第一编码特征包括:
将所述待搜索视频输入所述第一编码网络;以及
将所述第一编码网络的全连接层的输出作为所述第一编码特征。
4.根据权利要求2或3所述的方法,其中,所述待搜索视频包括多个视频片段,每个视频片段包括第一预设数量的图像帧;
所述将所述待搜索视频输入预设的第一编码网络,以便所述第一编码网络输出所述第一编码特征包括:
分别将各视频片段输入所述第一编码网络,以便所述第一编码网络输出各视频片段的片段编码;以及
将所述多个视频片段的片段编码进行组合,得到所述第一编码特征。
5.根据权利要求1所述的方法,其中,所述第一分支包括编码器;
所述将所述第一编码特征输入预设的第二编码网络,以便所述第二编码网络输出压缩后的第二编码特征包括:
将所述第一编码特征输入所述第二编码网络;以及
将所述第二编码网络的编码器的输出作为压缩后的所述第二编码特征。
6.根据权利要求1所述的方法,其中,
所述根据所述第二编码特征和相应的压缩特征,分别确定所述待搜索视频与每一个候选视频的相似度包括:
对于每一个候选视频:
分别计算所述第二编码特征与该候选视频的每一个压缩特征片段的相似度;以及
将该候选视频的各压缩特征片段的相似度的平均值作为待搜索视频与该候选视频的相似度。
7.根据权利要求1所述的方法,其中,所述根据所述第二编码特征,分别从各目标视频中确定与所述待搜索视频相匹配的目标片段包括:
获取各目标视频的压缩特征,所述压缩特征包括多个压缩特征片段,每个所述压缩特征片段的长度与所述第二编码特征的长度相同;
对于每一个目标视频:
分别计算所述第二编码特征与该目标视频的每一个压缩特征片段的相似度;
将相似度大于第二阈值的压缩特征片段作为目标压缩特征片段;以及
将目标压缩特征片段对应的目标视频中的片段作为目标片段。
8.根据权利要求7所述的方法,其中,所述目标视频包括时长相同的多个视频片段,所述多个视频片段的数量与该目标视频的压缩特征所包括的多个压缩特征片段的数量相同,所述多个压缩特征片段与所述多个视频片段一一对应;
所述将目标压缩特征片段对应的目标视频中的片段作为目标片段包括:将目标压缩特征片段对应的视频片段作为所述目标片段。
9.根据权利要求6-8中任一项所述的方法,其中,所述第二分支包括编码器,所述压缩特征为将所述候选视频的初始编码特征输入所述第二分支后得到的所述第二分支的编码器的输出。
10.根据权利要求9所述的方法,其中,所述候选视频的初始编码特征通过将所述候选视频输入第一编码网络得到。
11.一种用于视频编码的伪孪生网络的训练方法,所述伪孪生网络用于实现权利要求1-10中任一项所述的视频搜索方法,所述伪孪生网络包括两个分支,每个所述分支为一个由编码器和解码器组成的自编码器,所述编码器和所述解码器各自包括待训练的多个参数,所述方法包括:
获取多组训练数据,每一组所述训练数据包括第一视频的编码、第二视频的编码和匹配标签,所述匹配标签用于表示所述第一视频与所述第二视频是否相匹配;以及
基于所述多组训练数据来训练所述伪孪生网络,其中:
将所述第一视频的编码输入所述伪孪生网络的第一分支;
将所述第二视频的编码输入所述伪孪生网络的第二分支;
根据所述第一分支的输入与输出的误差、所述第二分支的输入与输出的误差、所述第一分支的编码器的输出与所述第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及
根据所述损失函数值来调整所述多个参数的值。
12.根据权利要求11所述的方法,其中,所述第二视频的编码包括多个编码片段,每个编码片段的长度与所述第一视频的编码的长度相同,每个编码片段对应于所述第二视频中的一个视频片段;
所述匹配标签用于表示所述第一视频与每一个编码片段对应的视频片段是否相匹配;
所述将所述第二视频的编码输入所述伪孪生网络的第二分支包括:将所述多个编码片段分别输入所述伪孪生网络的第二分支。
13.一种视频搜索装置,包括:
第一编码模块,被配置为提取待搜索视频的第一编码特征;
第二编码模块,被配置为将所述第一编码特征输入预设的第二编码网络,以便所述第二编码网络输出压缩后的第二编码特征,其中,所述第二编码网络为伪孪生网络中的第一分支;
视频级搜索模块,被配置为:
获取多个候选视频中的每一个候选视频的压缩特征,其中,所述压缩特征包括多个压缩特征片段,每个所述压缩特征片段的长度与所述第二编码特征的长度相同,所述候选视频的压缩特征通过伪孪生网络的第二分支得到;
根据所述第二编码特征和相应的压缩特征,分别确定所述待搜索视频与每一个候选视频的相似度;以及
将相似度最大的第二预设数量的候选视频作为与所述待搜索视频相匹配的至少一个目标视频,或者,将相似度大于第一阈值的候选视频作为与所述待搜索视频相匹配的至少一个目标视频;以及
片段定位模块,被配置为根据所述第二编码特征,分别从各目标视频中确定与所述待搜索视频相匹配的目标片段。
14.一种用于视频编码的伪孪生网络的训练装置,所述伪孪生网络用于实现权利要求13所述的视频搜索装置,所述伪孪生网络包括两个分支,每个所述分支为一个由编码器和解码器组成的自编码器,所述编码器和所述解码器各自包括待训练的多个参数,所述装置包括:
获取模块,被配置为获取多组训练数据,每一组所述训练数据包括第一视频的编码、第二视频的编码和匹配标签,所述匹配标签用于表示所述第一视频与所述第二视频是否相匹配;以及
训练模块,被配置为基于所述多组训练数据来训练所述伪孪生网络,所述训练模块包括:
第一输入单元,被配置为将所述第一视频的编码输入所述伪孪生网络的第一分支;
第二输入单元,被配置为将所述第二视频的编码输入所述伪孪生网络的第二分支;
损失计算单元,被配置为根据所述第一分支的输入与输出的误差、所述第二分支的输入与输出的误差、所述第一分支的编码器的输出与所述第二分支的编码器的输出的相似度、以及匹配标签来计算损失函数值;以及
参数更新单元,被配置为根据所述损失函数值来调整所述多个参数的值。
15.一种电子设备,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1-12中任一项所述的方法。
16.一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1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468619.5A CN113139092B (zh) | 2021-04-28 | 2021-04-28 | 视频搜索方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468619.5A CN113139092B (zh) | 2021-04-28 | 2021-04-28 | 视频搜索方法及装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139092A CN113139092A (zh) | 2021-07-20 |
CN113139092B true CN113139092B (zh) | 2023-11-03 |
Family
ID=76816290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468619.5A Active CN113139092B (zh) | 2021-04-28 | 2021-04-28 | 视频搜索方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139092B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792315B (zh) * | 2022-06-22 | 2022-10-11 | 浙江太美医疗科技股份有限公司 | 医学图像视觉模型训练方法和装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229757A (zh) * | 2017-06-30 | 2017-10-03 | 中国科学院计算技术研究所 | 基于深度学习和哈希编码的视频检索方法 |
CN111209431A (zh) * | 2020-01-13 | 2020-05-29 | 上海极链网络科技有限公司 | 一种视频搜索方法、装置、设备及介质 |
CN111949827A (zh) * | 2020-07-29 | 2020-11-17 | 深圳神目信息技术有限公司 | 视频抄袭检测方法、装置、设备和介质 |
CN112257527A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 基于多目标融合与时空视频序列的手机检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062086B2 (en) * | 2019-04-15 | 2021-07-13 | International Business Machines Corporation | Personalized book-to-movie adaptation recommendation |
-
2021
- 2021-04-28 CN CN202110468619.5A patent/CN113139092B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229757A (zh) * | 2017-06-30 | 2017-10-03 | 中国科学院计算技术研究所 | 基于深度学习和哈希编码的视频检索方法 |
CN111209431A (zh) * | 2020-01-13 | 2020-05-29 | 上海极链网络科技有限公司 | 一种视频搜索方法、装置、设备及介质 |
CN111949827A (zh) * | 2020-07-29 | 2020-11-17 | 深圳神目信息技术有限公司 | 视频抄袭检测方法、装置、设备和介质 |
CN112257527A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 基于多目标融合与时空视频序列的手机检测方法 |
Non-Patent Citations (3)
Title |
---|
Cao Zheng ; Zhu Ming.An efficient video similarity search strategy for video-on-demand systems.IEEE.2009,全文. * |
一种支持不同时间尺度的视频相似性匹配算法;邓智;贾克斌;;计算机应用研究(第01期);全文 * |
基于北斗RDSS的核辐射监测应急通讯方法;王廷银;林明贵;陈达;吴允平;;计算机系统应用(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113139092A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022022152A1 (zh) | 视频片段定位方法、装置、计算机设备及存储介质 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN111026915B (zh) | 视频分类方法、视频分类装置、存储介质与电子设备 | |
US11341186B2 (en) | Cognitive video and audio search aggregation | |
US9600483B2 (en) | Categorization of digital media based on media characteristics | |
CN113190695B (zh) | 多媒体数据搜索方法及装置、计算机设备和介质 | |
US20230290383A1 (en) | Automatic trailer detection in multimedia content | |
CN111582185B (zh) | 用于识别图像的方法和装置 | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
US11620260B2 (en) | Record property synchronization in a network computing system | |
CN111107435A (zh) | 视频推荐方法及装置、设备、存储介质 | |
CN113139092B (zh) | 视频搜索方法及装置、电子设备和介质 | |
CN113810765B (zh) | 视频处理方法、装置、设备和介质 | |
CN113642635A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN115346145A (zh) | 重复视频的识别方法、设备、储存介质及计算机程序产品 | |
CN113139093A (zh) | 视频搜索方法及装置、计算机设备和介质 | |
CN116320390A (zh) | 视频质量评估的方法、装置及电子设备 | |
CN114564606A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN113486853B (zh) | 视频检测方法及装置、电子设备和介质 | |
CN113139094B (zh) | 视频搜索方法及装置、电子设备和介质 | |
CN113542888A (zh) | 视频的处理方法和装置 | |
CN111708946A (zh) | 一种个性化电影的推荐方法、装置及电子设备 | |
CN116228897B (zh) | 图像处理方法、图像处理模型和训练方法 | |
CN113190713A (zh) | 视频搜索方法及装置、电子设备和介质 | |
CN110704294A (zh) | 用于确定响应时间的方法和装置 |
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 |