CN113360712B - 视频表示的生成方法、装置和电子设备 - Google Patents
视频表示的生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113360712B CN113360712B CN202110556320.5A CN202110556320A CN113360712B CN 113360712 B CN113360712 B CN 113360712B CN 202110556320 A CN202110556320 A CN 202110556320A CN 113360712 B CN113360712 B CN 113360712B
- Authority
- CN
- China
- Prior art keywords
- fusion
- dimension
- feature representation
- video
- feature
- 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 53
- 230000004927 fusion Effects 0.000 claims abstract description 183
- 238000004590 computer program Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—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
- G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
-
- 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
- G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开公开了视频表示的生成方法、装置和电子设备，涉及人工智能技术领域，尤其涉及计算机视觉、知识图谱、深度学习技术领域。具体实现方案为：获取视频对应的每个维度的特征表示集，其中，所述特征表示集中包括从所述视频的视频帧中在所述维度下提取出的特征表示；针对每个所述维度，对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集；基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示。由此，可基于每个维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示，能够深度融合维度内和维度间的特征表示，提高了目标特征表示对视频的表示效果。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种视频表示的生成方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
目前，随着网络技术的发展，视频作为一种信息载体，丰富了人们的娱乐、学习等日常生活。相关技术中，需要生成视频的表示来区分不同的视频，比如视频检索应用场景下，可基于视频表示从视频库中检索视频，然而现有的视频表示方法，较为单一，不能全面反映视频信息，视频表示效果较差。
发明内容
提供了一种视频表示的生成方法、装置、电子设备、存储介质和计算机程序产品。
根据第一方面，提供了一种视频表示的生成方法，包括：获取视频对应的每个维度的特征表示集，其中，所述特征表示集中包括从所述视频的视频帧中在所述维度下提取出的特征表示；针对每个所述维度，对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集；基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示。
根据第二方面，提供了一种视频表示的生成装置，包括：获取模块，用于获取视频对应的每个维度的特征表示集，其中，所述特征表示集中包括从所述视频的视频帧中在所述维度下提取出的特征表示；第一融合模块，用于针对每个所述维度，对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集；第二融合模块，用于基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示。
根据第三方面，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本公开第一方面所述的视频表示的生成方法。
根据第四方面，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，所述计算机指令用于使所述计算机执行本公开第一方面所述的视频表示的生成方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开第一方面所述的视频表示的生成方法。
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是根据本公开第一实施例的视频表示的生成方法的流程示意图；
图2根据本公开第二实施例的视频表示的生成方法中生成视频的目标特征表示的流程示意图；
图3根据本公开第三实施例的视频表示的生成方法中生成视频的目标特征表示之后的流程示意图；
图4是根据本公开第四实施例的视频表示的生成方法的示意图；
图5是根据本公开第一实施例的视频表示的生成装置的框图；
图6是用来实现本公开实施例的视频表示的生成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。
AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
计算机视觉(Computer Vision)是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉是一门综合性的学科，包括计算机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。
知识图谱(Knowledge Graph)是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，包括应用数学、图形学、信息可视化技术、信息科学等。
深度学习(Deep Learning，DL)是机器学习(Machine Learning，ML)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，使得机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一门科学，广泛应用于语音和图像识别。
图1是根据本公开第一实施例的视频表示的生成方法的流程示意图。
如图1所示，本公开第一实施例的视频表示的生成方法，包括：
S101，获取视频对应的每个维度的特征表示集，其中，特征表示集中包括从视频的视频帧中在维度下提取出的特征表示。
需要说明的是，本公开实施例的视频表示的生成方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地，执行主体可包括工作站、服务器，计算机、用户终端及其他智能设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本公开的实施例中，可获取视频对应的每个维度的特征表示集，其中，特征表示集中包括从视频的视频帧中在维度下提取出的特征表示。可以理解的是，特征表示集中包括至少一个特征表示。
本公开的实施例中，可根据实际情况预先设置视频对应的维度，这里不做过多限定。可从视频的视频帧中在维度下提取出特征表示，基于任一维度下提取出的每个特征表示，生成任一维度的特征表示集。
在一种实施方式中，从视频的视频帧中在维度下提取出特征表示，可包括采用维度对应的提取模型，从视频的视频帧中在维度下提取出特征表示。其中，提取模型可根据实际情况进行设置，这里不做过多限定。
例如，维度为音频时，可采用音频提取模型，从视频的视频帧中提取出音频维度下的特征表示。其中，音频提取模型可为vggish模型。例如，可按照采样率为16khz(千赫兹)从视频的视频帧中提取原始音频，采用vggish模型从原始音频中提取出音频维度下的特征表示。
例如，维度为物体时，可采用物体提取模型，从视频的视频帧中提取出物体维度下的特征表示。其中，物体提取模型可为Resnet(Residual Network，残差网络)模型。例如，物体包括但不限于狗、猫、篮球等。
例如，维度为动作时，可采用动作提取模型，从视频的视频帧中提取出动作维度下的特征表示。其中，动作提取模型可为s3d模型。例如，动作包括但不限于跳舞、挥手、弯腰等。
例如，维度为字幕时，可采用文字提取模型，从视频的视频帧中提取出字幕维度下的特征表示。例如，可采用Pixel Link(像素连接)模型从视频的视频帧中提取原始文本，采用Bert(Bidirectional Encoder Representations from Transformers)模型从原始文本中提取出字幕维度下的特征表示。
S102，针对每个维度，对维度的特征表示集中的特征表示进行特征融合，生成维度的融合特征表示集。
本公开的实施例中，可针对每个维度，对维度的特征表示集中的特征表示进行特征融合，生成维度的融合特征表示集。由此，该方法可基于维度的特征表示集进行维度内的特征融合，能够深度融合维度内的特征表示，生成的维度的融合特征表示集对维度特征的表示效果更好。
例如，假设获取的视频对应的音频维度的特征表示集x包括n个特征表示，可将特征表示集x中的n个特征表示进行特征融合，生成音频维度的融合特征表示集y。比如，n个特征表示进行特征融合后可生成n个融合特征表示。
S103，基于每个维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示。
本公开的实施例中，可基于每个维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示。由此，该方法能够深度融合维度间的特征表示，生成的目标特征表示对视频的表示效果更好。
本公开的实施例中，每个视频可对应一个目标特征表示。
例如，假设获取的视频对应的音频、物体、动作、字幕维度的融合特征表示集分别为y1、y2、y3、y4，则可基于融合特征表示集y1、y2、y3、y4进行维度间的特征融合，生成视频的目标特征表示z。
需要说明的是，本公开的实施例中，对目标特征表示的类型不做过多限定，例如包括但不限于数字、字符等。
综上，根据本公开实施例的视频表示的生成方法，可获取视频对应的每个维度的特征表示集，并可基于维度的特征表示集进行维度内的特征融合，能够深度融合维度内的特征表示，提高了维度的融合特征表示集对维度特征的表示效果，并可基于每个维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示，能够深度融合维度间的特征表示，提高了目标特征表示对视频的表示效果。
在上述任一实施例的基础上，维度包括音频、物体、动作和字幕中的至少两个维度。由此，可基于多个维度的特征表示集生成视频的目标特征表示，可综合考虑视频的多个维度的特征表示对目标特征表示的影响，提高了目标特征表示对视频的表示效果。
在上述任一实施例的基础上，步骤S102中对维度的特征表示集中的特征表示进行特征融合，生成维度的融合特征表示集，包括将维度的特征表示集输入至维度对应的第一融合模型中，由第一融合模型输出维度的融合特征表示集。
本公开的实施例中，可预先为维度设置对应的第一融合模型，不同的维度可对应不同的第一融合模型。其中，第一融合模型可根据实际情况进行设置，比如可为transformer模型。
在一种实施方式中，可将维度的特征表示集输入至维度对应的第一融合模型中，由第一融合模型对维度的特征表示集进行编码，将生成的编码集作为维度的融合特征表示集。例如，
其中，Transformeraudio(·)为音频维度的第一融合模型，xaudio为音频维度的特征表示集，
为音频维度的融合特征表示集。
由此，该方法可通过维度对应的第一融合模型进行维度内的特征融合，生成维度的融合特征表示集。
在上述任一实施例的基础上，如图2所示，步骤S103中基于每个维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示，包括：
S201，获取维度的任一融合特征表示对应的时序信息和维度类别信息。
本公开的实施例中，可获取维度的任一融合特征表示对应的时序信息和维度类别信息。其中，时序信息用于表征融合特征表示对应的提取位置，例如视频帧的时序信息，维度类别信息用于表征融合特征表示对应的维度类别。
可以理解的是，不同的融合特征表示可对应不同的时序信息，比如，融合特征表示m1为从视频的第1个视频帧提取出的特征表示生成的，融合特征表示m2为从视频的第3个视频帧提取出的特征表示生成的，则融合特征表示m1、m2对应的时序信息不同。
在一种实施方式中，获取维度的任一融合特征表示对应的时序信息，可包括将融合特征表示对应的提取位置输入至时序编码模型中，由时序编码模型对提取位置进行编码，输出提取位置的时序编码，将输出的时序编码作为时序信息。例如，Pi＝Embeddingpos(i)，其中，Embeddingpos(·)为时序编码模型，i为提取位置，Pi为时序编码。
在一种实施方式中，获取维度的任一融合特征表示对应的维度类别信息，可包括将融合特征表示对应的维度类别输入至维度类别编码模型中，由维度类别编码模型对维度类别进行编码，输出维度类别编码，将输出的维度类别编码作为维度类别信息。例如，caudio＝Embeddingclass(audio)，其中，Embeddingclass(·)为维度类别编码模型，audio为音频维度类别，caudio为音频维度类别编码。
S202，获取任一维度的任一融合特征表示与对应的时序信息和维度类别信息的和值，作为任一融合特征表示的目标融合特征表示。
本公开的实施例中，可获取任一维度的任一融合特征表示与对应的时序信息和维度类别信息的和值，作为任一融合特征表示的目标融合特征表示。例如，
其中，
为音频维度的第一个融合特征表示，p1为
对应的时序信息，caudio为
对应的维度类别信息，
为
对应的目标融合特征表示。
S203，基于任一维度的每个融合特征表示的目标融合特征表示，生成任一维度的目标融合特征表示集。
本公开的实施例中，可基于任一维度的每个融合特征表示的目标融合特征表示，生成任一维度的目标融合特征表示集。例如，音频维度的融合特征表示
至
的目标融合特征表示分别为
至
可基于目标融合特征表示
至
生成音频维度的目标融合特征表示集eaudio。
S204，基于每个维度的目标融合特征表示集进行维度间的特征融合，生成目标特征表示。
在一种实施方式中，基于每个维度的目标融合特征表示集进行维度间的特征融合，生成目标特征表示，包括将每个维度的目标融合特征表示集输入至多个维度对应的第二融合模型中，由第二融合模型进行维度间的特征融合，并输出目标特征表示。由此，该方法可通过多个维度对应的第二融合模型进行维度间的特征融合，生成目标特征表示。
例如，videovec＝Transformer(eaudio,eobject,eaction,eocr)，其中，Transformer(·)为第二融合模型，eaudio为音频维度的目标融合特征表示集，eobject为物体维度的目标融合特征表示集，eaction为动作维度的目标融合特征表示集，eocr为字幕维度的目标融合特征表示集，videovec为目标特征表示。
由此，该方法可获取任一维度的任一融合特征表示与对应的时序信息和维度类别信息的和值，作为任一融合特征表示的目标融合特征表示，基于任一维度的每个融合特征表示的目标融合特征表示，生成任一维度的目标融合特征表示集，基于每个维度的目标融合特征表示集进行维度间的特征融合，生成目标特征表示。
在上述任一实施例的基础上，如图3所示，步骤S103中生成视频的目标特征表示之后，还包括：
S301，获取候选检索库，候选检索库包括至少一个候选视频。
本公开的实施例中，可获取候选检索库，候选检索库包括至少一个候选视频。应说明的是，候选检索库可根据实际情况预先设置，用于存储至少一个候选视频。
S302，基于目标特征表示，从候选视频中检索与视频相似的目标视频。
本公开的实施例中，可基于视频的目标特征表示，从候选视频中检索与视频相似的目标视频。
在一种实施方式中，基于目标特征表示，从候选视频中检索与视频相似的目标视频，可包括获取候选视频的候选特征表示，获取候选特征表示和目标特征表示之间的相似度，将相似度最高的候选特征表示对应的候选视频作为目标视频。由此，该方法可检索出与目标特征表示相似度最高的候选特征表示对应的候选视频，作为目标视频。
其中，候选视频的候选特征表示可预先存储在候选检索库中，以供视频检索时获取。例如，可预先设置候选视频和候选特征表示之间的映射关系或者映射表，获取候选视频之后，查询映射关系或者映射表，能够获取候选视频对应的候选特征表示。应说明的是，上述映射关系或者映射表均可根据实际情况进行设置，这里不做过多限定。
其中，获取候选特征表示和目标特征表示之间的相似度，可包括根据预设的相似度算法获取候选特征表示和目标特征表示之间的相似度。其中，相似度算法可根据实际情况进行设置。
由此，该方法可基于视频的目标特征表示，从候选视频中检索与视频相似的目标视频，可应用于视频检索的应用场景，提高了视频检索的准确性和效率。
在上述任一实施例的基础上，还可将目标特征表示作为视频的属性存储到视频对应的知识图谱中。其中，视频对应的知识图谱可根据实际情况预先建立，例如，可根据视频的标签、属性等建立知识图谱，其中，标签包括但不限于长视频、短视频、美食、风景等，属性包括但不限于名称、视频链接地址、发表时间等，这里不做过多限定。
本公开的实施例中，可将目标特征表示作为视频的属性存储到视频对应的知识图谱中，目标特征表示深度融合了维度内和维度间的特征表示，对视频的表示效果较好，丰富了视频对应的知识图谱的内容。
在一种实施方式中，可通过查询视频对应的知识图谱，获取视频对应的目标特征表示。
在上述任一实施例的基础上，如图4所示，可获取视频对应的音频、物体、动作和字幕维度的特征表示集，特征表示集包括从视频的视频帧中在维度下提取出的特征表示，之后针对每个维度，对维度的特征表示集中的特征表示进行特征融合，生成维度的融合特征表示集，则可生成音频、物体、动作和字幕维度的融合特征表示集，之后基于音频、物体、动作和字幕维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示。
图5是根据本公开第一实施例的视频表示的生成装置的框图。
如图5所示，本公开实施例的视频表示的生成装置500，包括：获取模块501、第一融合模块502和第二融合模块503。
获取模块501，用于获取视频对应的每个维度的特征表示集，其中，所述特征表示集中包括从所述视频的视频帧中在所述维度下提取出的特征表示；
第一融合模块502，用于针对每个所述维度，对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集；
第二融合模块503，用于基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示。
在本公开的一个实施例中，所述第一融合模块502，具体用于：将所述维度的特征表示集输入至所述维度对应的第一融合模型中，由所述第一融合模型输出所述维度的融合特征表示集。
在本公开的一个实施例中，所述第二融合模块503，包括：第一获取单元，用于获取所述维度的任一融合特征表示对应的时序信息和维度类别信息；第二获取单元，用于获取任一维度的任一融合特征表示与对应的所述时序信息和所述维度类别信息的和值，作为所述任一融合特征表示的目标融合特征表示；生成单元，用于基于所述任一维度的每个融合特征表示的所述目标融合特征表示，生成所述任一维度的目标融合特征表示集；融合单元，用于基于每个所述维度的所述目标融合特征表示集进行维度间的特征融合，生成所述目标特征表示。
在本公开的一个实施例中，所述融合单元，具体用于：将每个所述维度的所述目标融合特征表示集输入至多个维度对应的第二融合模型中，由所述第二融合模型进行维度间的特征融合，并输出所述目标特征表示。
在本公开的一个实施例中，所述装置还包括：检索模块，所述检索模块，包括：第三获取单元，用于获取候选检索库，所述候选检索库包括至少一个候选视频；检索单元，用于基于所述目标特征表示，从所述候选视频中检索与所述视频相似的目标视频。
在本公开的一个实施例中，所述检索单元，具体用于：获取所述候选视频的候选特征表示；获取所述候选特征表示和所述目标特征表示之间的相似度；将相似度最高的候选特征表示对应的候选视频作为所述目标视频。
在本公开的一个实施例中，所述维度包括音频、物体、动作和字幕中的至少两个维度。
在本公开的一个实施例中，所述装置还包括：存储模块，所述存储模块，用于：将所述目标特征表示作为所述视频的属性存储到所述视频对应的知识图谱中。
综上，本公开实施例的视频表示的生成装置，可获取视频对应的每个维度的特征表示集，并可基于维度的特征表示集进行维度内的特征融合，能够深度融合维度内的特征表示，提高了维度的融合特征表示集对维度特征的表示效果，并可基于每个维度的融合特征表示集进行维度间的特征融合，生成视频的目标特征表示，能够深度融合维度间的特征表示，提高了目标特征表示对视频的表示效果。
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6示出了可以用来实施本公开的实施例的示例电子设备600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/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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601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601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601执行上文所描述的各个方法和处理，例如图1至图4所述的视频表示的生成方法。例如，在一些实施例中，视频表示的生成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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的视频表示的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视频表示的生成方法。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也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。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开上述实施例所述的视频表示的生成方法。
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，本发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 (15)
1.一种视频表示的生成方法，包括：
获取视频对应的每个维度的特征表示集，其中，所述特征表示集中包括从所述视频的视频帧中在所述维度下提取出的特征表示；
针对每个所述维度，对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集；
基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示；
其中，所述对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集，包括：
将所述维度的特征表示集输入至所述维度对应的第一融合模型中，由所述第一融合模型输出所述维度的融合特征表示集，其中，不同的维度对应不同的第一融合模型；
其中，所述基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示，包括：
获取所述维度的任一融合特征表示对应的时序信息和维度类别信息；其中，所述时序信息用于表征融合特征表示对应的提取位置；
获取任一维度的任一融合特征表示与对应的所述时序信息和所述维度类别信息的和值，作为所述任一融合特征表示的目标融合特征表示；
基于所述任一维度的每个融合特征表示的所述目标融合特征表示，生成所述任一维度的目标融合特征表示集；
基于每个所述维度的所述目标融合特征表示集进行维度间的特征融合，生成所述目标特征表示。
2.根据权利要求1所述的方法，其中，所述基于每个所述维度的所述目标融合特征表示集进行维度间的特征融合，生成所述目标特征表示，包括：
将每个所述维度的所述目标融合特征表示集输入至多个维度对应的第二融合模型中，由所述第二融合模型进行维度间的特征融合，并输出所述目标特征表示。
3.根据权利要求1-2任一项所述的方法，其中，所述方法还包括：
获取候选检索库，所述候选检索库包括至少一个候选视频；
基于所述目标特征表示，从所述候选视频中检索与所述视频相似的目标视频。
4.根据权利要求3所述的方法，其中，所述基于所述目标特征表示，从所述候选视频中检索与所述视频相似的目标视频，包括：
获取所述候选视频的候选特征表示；
获取所述候选特征表示和所述目标特征表示之间的相似度；
将相似度最高的候选特征表示对应的候选视频作为所述目标视频。
5.根据权利要求1-2任一项所述的方法，其中，所述维度包括音频、物体、动作和字幕中的至少两个维度。
6.根据权利要求1-2任一项所述的方法，其中，所述方法还包括：
将所述目标特征表示作为所述视频的属性存储到所述视频对应的知识图谱中。
7.一种视频表示的生成装置，包括：
获取模块，用于获取视频对应的每个维度的特征表示集，其中，所述特征表示集中包括从所述视频的视频帧中在所述维度下提取出的特征表示；
第一融合模块，用于针对每个所述维度，对所述维度的特征表示集中的特征表示进行特征融合，生成所述维度的融合特征表示集；
第二融合模块，用于基于每个所述维度的所述融合特征表示集进行维度间的特征融合，生成所述视频的目标特征表示；
其中，所述第一融合模块，具体用于：
将所述维度的特征表示集输入至所述维度对应的第一融合模型中，由所述第一融合模型输出所述维度的融合特征表示集，其中，不同的维度对应不同的第一融合模型；
其中，所述第二融合模块，包括：
第一获取单元，用于获取所述维度的任一融合特征表示对应的时序信息和维度类别信息；其中，所述时序信息用于表征融合特征表示对应的提取位置；
第二获取单元，用于获取任一维度的任一融合特征表示与对应的所述时序信息和所述维度类别信息的和值，作为所述任一融合特征表示的目标融合特征表示；
生成单元，用于基于所述任一维度的每个融合特征表示的所述目标融合特征表示，生成所述任一维度的目标融合特征表示集；
融合单元，用于基于每个所述维度的所述目标融合特征表示集进行维度间的特征融合，生成所述目标特征表示。
8.根据权利要求7所述的装置，其中，所述融合单元，具体用于：
将每个所述维度的所述目标融合特征表示集输入至多个维度对应的第二融合模型中，由所述第二融合模型进行维度间的特征融合，并输出所述目标特征表示。
9.根据权利要求7-8任一项所述的装置，其中，所述装置还包括：检索模块，所述检索模块，包括：
第三获取单元，用于获取候选检索库，所述候选检索库包括至少一个候选视频；
检索单元，用于基于所述目标特征表示，从所述候选视频中检索与所述视频相似的目标视频。
10.根据权利要求9所述的装置，其中，所述检索单元，具体用于：
获取所述候选视频的候选特征表示；
获取所述候选特征表示和所述目标特征表示之间的相似度；
将相似度最高的候选特征表示对应的候选视频作为所述目标视频。
11.根据权利要求7-8任一项所述的装置，其中，所述维度包括音频、物体、动作和字幕中的至少两个维度。
12.根据权利要求7-8任一项所述的装置，其中，所述装置还包括：存储模块，所述存储模块，用于：
将所述目标特征表示作为所述视频的属性存储到所述视频对应的知识图谱中。
13.一种电子设备，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1-6中任一项所述的视频表示的生成方法。
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1-6中任一项所述的视频表示的生成方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的视频表示的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556320.5A CN113360712B (zh) | 2021-05-21 | 2021-05-21 | 视频表示的生成方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556320.5A CN113360712B (zh) | 2021-05-21 | 2021-05-21 | 视频表示的生成方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113360712A CN113360712A (zh) | 2021-09-07 |
| CN113360712B true CN113360712B (zh) | 2022-12-06 |
Family
ID=77526595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110556320.5A Active CN113360712B (zh) | 2021-05-21 | 2021-05-21 | 视频表示的生成方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360712B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956094A (zh) * | 2019-11-09 | 2020-04-03 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
| CN112464814A (zh) * | 2020-11-27 | 2021-03-09 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11423651B2 (en) * | 2016-02-09 | 2022-08-23 | Hrl Laboratories, Llc | System and method for the fusion of bottom-up whole-image features and top-down enttiy classification for accurate image/video scene classification |
| CN110781347B (zh) * | 2019-10-23 | 2023-03-07 | 腾讯科技（深圳）有限公司 | 一种视频处理方法、装置、设备以及可读存储介质 |
| CN112149604A (zh) * | 2020-09-30 | 2020-12-29 | 网易传媒科技（北京）有限公司 | 视频特征提取模型的训练方法、视频推荐方法及装置 |
-
2021
- 2021-05-21 CN CN202110556320.5A patent/CN113360712B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956094A (zh) * | 2019-11-09 | 2020-04-03 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
| CN112464814A (zh) * | 2020-11-27 | 2021-03-09 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113360712A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220270382A1 (en) | Method and apparatus of training image recognition model, method and apparatus of recognizing image, and electronic device | |
| CN113313022B (zh) | 文字识别模型的训练方法和识别图像中文字的方法 | |
| CN113159010B (zh) | 视频分类方法、装置、设备和存储介质 | |
| US20220415072A1 (en) | Image processing method, text recognition method and apparatus | |
| 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 | |
| CN113033622A (zh) | 跨模态检索模型的训练方法、装置、设备和存储介质 | |
| CN115359383A (zh) | 跨模态特征提取、检索以及模型的训练方法、装置及介质 | |
| CN113407850A (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
| CN113360700A (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
| CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
| CN112560468A (zh) | 气象预警文本处理方法、相关装置及计算机程序产品 | |
| CN115099239A (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
| CN116935287A (zh) | 视频理解方法和装置 | |
| CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
| CN117992569A (zh) | 基于生成式大模型生成文档的方法、装置、设备及介质 | |
| CN117593608A (zh) | 图文识别大模型的训练方法、装置、设备以及存储介质 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN117789221A (zh) | 图文识别大模型的训练方法、装置、设备以及存储介质 | |
| CN112651449A (zh) | 确定视频的内容特征的方法、装置、电子设备及存储介质 | |
| CN117056728A (zh) | 一种时间序列生成方法、装置、设备和存储介质 | |
| CN113536751B (zh) | 表格数据的处理方法、装置、电子设备和存储介质 | |
| CN113360712B (zh) | 视频表示的生成方法、装置和电子设备 | |
| CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
| CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
| CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 |
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 |