CN114120180A - 一种时序提名的生成方法、装置、设备及介质 - Google Patents

一种时序提名的生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN114120180A
CN114120180A CN202111342541.9A CN202111342541A CN114120180A CN 114120180 A CN114120180 A CN 114120180A CN 202111342541 A CN202111342541 A CN 202111342541A CN 114120180 A CN114120180 A CN 114120180A
Authority
CN
China
Prior art keywords
nomination
sequence
action
background
video
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
Application number
CN202111342541.9A
Other languages
English (en)
Other versions
CN114120180B (zh
Inventor
吴文灏
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
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111342541.9A priority Critical patent/CN114120180B/zh
Publication of CN114120180A publication Critical patent/CN114120180A/zh
Application granted granted Critical
Publication of CN114120180B publication Critical patent/CN114120180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Abstract

本公开提供了一种时序提名的生成方法、装置、设备及介质，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领域，具体可用于视频分析场景下，包括：提取待处理视频对应的目标图像特征序列，并根据目标图像特征序列，获取多个候选时序提名；根据目标图像特征序列，获取包括动作特征和背景特征间差异信息的动作关联特征和背景关联特征；进而根据动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；并最终根据各动作得分和背景得分，在各候选时序提名中确定与待处理视频对应的目标时序提名。本公开实施例的技术方案，通过在时序提名评估阶段充分利用动作和背景的差异性，提高了获取目标时序提名的精准度和召回率。

Description

一种时序提名的生成方法、装置、设备及介质
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领域，具体可用于视频分析场景下，具体涉及一种时序提名的生成方法、装置、设备及介质。
背景技术
时序动作定位，即根据视频内容，在输入的未分割视频中定位行为片段；其中，生成的行为片段即为时序提名(proposal)，在视频集锦生成、视频推荐以及检索等方面具有巨大应用潜力。
目前，现有的时序提名生成方法，通常先对输入的视频特征序列进行简单的时序信息融合，然后使用基于边界预测的方法或者基于预定义锚点框回归的方法，生成可能包含人体动作的大量候选时序提名，最后对生成的大量候选时序提名进行置信度评估，以确定最终的目标时序提名。
然而，现有技术在时序提名评估阶段，仅通过动作信息评估各候选时序提名的置信度，容易导致获取的目标时序提名存在准确度和召回率低的问题；特别的，对于包含多个动作片段的候选时序提名，易因为较高置信度而被确定为目标时序提名，形成错误的正例，进一步降低了目标时序提名的获取准确度。
发明内容
本公开提供了一种时序提名的生成方法、装置、设备及介质。
根据本公开的一方面，提供了一种时序提名的生成方法，所述方法包括：
提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名；
根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征；
其中，动作关联特征和背景关联特征中包括所述待处理视频中的动作特征与背景特征之间的差异信息；
根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；
根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
根据本公开的另一方面，提供了一种时序提名的生成装置，所述装置包括：
候选时序提名获取模块，用于提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名；
关联特征获取模块，用于根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征；
其中，动作关联特征和背景关联特征中包括所述待处理视频中的动作特征与背景特征之间的差异信息；
得分获取模块，用于根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；
目标时序提名确定模块，用于根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一实施例所述的方法。
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，所述计算机指令用于使所述计算机执行本公开中任一实施例所述的方法。
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，所述计算机程序在被处理器执行时实现本公开中任一实施例所述的方法。
本公开实施例的技术方案可以对充分利用待处理视频中背景和动作间的差异性，提高获取目标时序提名的精准度和召回率。
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1A是根据本公开实施例的一种时序提名的生成方法的示意图；
图1B是根据本公开实施例的一种自注意力层机制示意图；
图1C是根据本公开实施例的一种差异注意力层机制示意图；
图2是根据本公开实施例的又一种时序提名的生成方法的示意图；
图3A是根据本公开实施例的又一种时序提名的生成方法的示意图；
图3B是根据本公开实施例的又一种时序提名的生成方法的示意图；
图4是根据本公开实施例的一种时序提名的生成装置的结构示意图；
图5是根据本公开实施例的时序提名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。
图1A是根据本公开实施例的一种时序提名的生成方法的流程示意图，本实施例适用于对待处理视频进行时序动作定位，以获取精准时序提名的情形，该方法可以通过时序提名的生成装置来执行，该装置可以通过软件和/或硬件的方式实现，并一般可以集成在具有数据处理功能的终端或者服务器中。具体的，参考图1A，该方法具体包括如下步骤：
S110、提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名。
在本实施例中，可以按照时间顺序，提取待处理视频的每一帧图像，并对每一帧图像分别进行特征提取，最终将各帧图像对应的图像特征进行拼接得到目标图像特征序列；也可以采用等距采样方法(例如，每间隔两帧采集一帧)从待处理视频中采集多张图像，并对采集的每张图像分别进行特征提取，以获取每张图像对应的图像特征；进一步的，按照各图像的采集顺序，对匹配的图像特征进行拼接，以获取待处理视频对应的目标图像特征序列。
其中，可以采用训练完成的视频识别模型，例如，卷积神经网络模型，对待处理视频对应的采集图像进行特征提取，以获取各采集图像对应的图像特征。在本实施例中，可以基于卷积神经网络算法构建初始视频识别模型，并采用具有真实标签的样本数据对该初始视频识别模型进行有监督的模型训练，直至获取训练完成的视频识别模型。
在本实施例中，在获取到待处理视频对应的目标图像特征序列之后，可以对目标图像特征序列进行时序信息融合，并采用预定义锚点框回归方法或者边界预测方法，对时序信息融合后的目标图像特征序列进行处理，以获取可能包括指定人体动作的多个候选时序提名。
S120、根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征。
其中，动作关联特征和背景关联特征中包括待处理视频中的动作特征与背景特征之间的差异信息。
可以理解的是，不同的人体动作与相同背景间的差异信息存在较大不同，以及相同的人体动作与不同的背景间的差异信息同样存在较大不同；通过综合考虑动作和背景间的差异信息，可以实现对图像更加准确的识别。例如，在两张图像中，某人在不同的背景下做出相同的动作，此时仅通过动作特征判断，无法实现对当前图像的区分；而通过综合考虑动作与背景之间的差异信息，即可以实现对当前图像的有效区分。
现有技术中，在候选时序提名的评估阶段，通常仅利用候选时序提名内部的动作特征进行评估，对于不同背景下的相同动作，无法实现准确的识别；由此，易导致候选时序提名的评估不准确，降低了最终获取时序提名的精准度。
为了解决上述问题，本实施例在候选时序提名的评估阶段，可以利用待处理视频的动作特征和背景特征之间的差异性，对动作特征和背景特征进行进一步的增强，以获取对应的动作关联特征和背景关联特征，进而综合考虑动作管理特征和背景关联特征实现对候选时序提名的筛选，可以提升最终获取时序提名的精准度，降低错误的正例的出现概率。
在本实施例中，可以通过动作特征提取模型，对目标图像特征序列进行特征提取，以获取对应的动作特征；以及通过背景特征提取模型，对目标图像特征序列进行特征提取，以获取对应的背景特征；进一步的，可以通过差异性检测模型，对动作特征和背景特征，进行动作和背景间差异信息的检测，以获取对应的动作管理特征和背景关联特征。
其中，动作特征提取模型和背景特征提取模型，可以是预先训练完成的自注意力网络；自注意力网络，为引入自注意力层的卷积神经网络，通过关注输入的目标图像特征序列中与人体动作或者视频背景最相关的部分，可以输出对应的动作特征或者背景特征。
在本实施例中，自注意力层机制如图1B所示；其中，K表示键向量序列，Q表示查询向量序列，V表示值向量序列，三者均可以由输入的目标图像特征序列通过线性变换得到，线性变换矩阵可以通过学习得到。具体的，首先将输入的目标图像特征序列，分别乘以对应的线性变换矩阵，以获取目标图像特征序列对应的K、Q以及V；进而根据K和Q，计算注意力矩阵，并对注意力矩阵进行softmax操作或者relu操作得到变换注意力矩阵；最终根据变换注意力矩阵和V，计算得到输出特征向量。
进一步的，在获取到待处理视频对应的动作特征和背景特征之后，可以将动作特征和背景特征，共同输入至预先训练的差异注意力网络，以分别获取动作特征对应的动作关联特征，以及背景特征对应的背景关联特征。其中，差异注意力网络，可以是引入差异注意力层的卷积神经网络；在差异注意力网络中，对于输入的动作特征，关注其与背景相关的部分，对于输入的背景特征，关注其与动作特征相关的部分，以实现对动作特征和背景特征的增强。
在本实施例中，差异注意力层机制如图1C所示，其中，V1和V2分别为动作特征和背景特征对应的值向量序列；根据动作特征对应的K和背景特征对应的Q，计算注意力矩阵，并确定注意力矩阵对应的变换注意力矩阵；进而可以根据变换注意力矩阵和V1，计算得到动作特征对应的动作关联特征，以及根据变换注意力矩阵和V2，计算得到背景特征对应的背景关联特征。
可选的，在根据目标图像特征序列，获取待处理视频匹配的动作关联特征和背景关联特征之前，可以预先通过网络数据集，例如，imagenet，分别对自注意力网络中的自注意力层，以及差异注意力网络中的差异注意力层进行训练，以获取对应的自注意力层变换矩阵和差异注意力层变换矩阵，进而获取训练完成的自注意力网络和差异注意力网络。
S130、根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分。
在本实施例中，在获取到待处理视频对应的动作关联特征和背景关联特征后，可以对动作关联特征的动作相关性进行检测，以获取对应的动作得分，并对背景关联特征的背景相关性进行检测，以获取对应的背景得分；可选的，还可以综合考虑动作和背景间的差异性，对上述获取的动作得分和背景得分进行更新，以获取更加精确的动作得分和背景得分。
其中，可以利用自注意力网络对动作相关性或者背景相关性进行检测，以及利用差异注意力网络对动作和背景间的差异性进行检测；例如，可以将动作关联特征和背景关联特征，分别输入至对应的自注意力网络，以获取对应的动作得分和背景得分。值的注意的是，当前的注意力网络，用于根据输入的动作关联特征或者背景关联特征，输出对应的动作得分序列或者背景得分序列。
进一步的，在根据自注意力网络确定出各候选时序提名的动作得分和背景得分之后，还可以再将动作得分和背景得分共同输入至差异注意力网络，以获取综合考虑动作和背景间差异性后的动作得分和背景得分。
S140、根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
在本实施例中，可以将各候选时序提名的动作得分和背景得分进行相加，并将和值作为各候选时序提名的总得分，进而选取总得分最高的候选时序提名，作为待处理视频对应的目标时序提名；或者，可以分别对各候选时序提名的动作得分和背景得分进行加权求和，并将加权求和值作为各候选时序提名的总得分，进而选取总得分大于或者等于预设得分阈值的候选时序提名，作为目标时序提名。
本公开实施例的技术方案，通过提取待处理视频对应的目标图像特征序列，并根据该目标图像特征序列，获取待处理视频对应的多个候选时序提名，进而根据目标图像特征序列，获取待处理视频匹配的，包括动作特征和背景特征间差异信息的动作关联特征和背景关联特征，并根据动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；并最终根据各动作得分和背景得分，在各候选时序提名中确定与待处理视频对应的目标时序提名，通过在时序提名评估阶段充分利用动作和背景的差异性，提高了获取目标时序提名的精准度和召回率。
在本实施例的一个实施方式中，所述根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名，可以包括：
对各候选时序提名的动作得分和背景得分进行加权求和，获取各候选时序提名的置信度；将置信度大于或等于预设置信度阈值的候选时序提名，确定为所述待处理视频对应的目标时序提名。
其中，权重可以根据任务需求，进行自适应设置；例如，动作得分对应权重0.5，背景得分对应权重0.5；或者，动作得分对应权重0.6，背景得分对应权重0.4。
在本实施例中，可以分别对各候选时序提名的动作得分和背景得分进行加权求和，将加权求和值作为各候选时序提名的置信度；进而将各置信度与预设置信度阈值进行对比，以获取置信度大于或者等于预设置信度阈值的候选时序提名，作为待处理视频对应的目标时序提名。
在本实施例中，通过综合考虑各候选时序提名的动作得分和背景得分，可以提升最终获取的目标时序提名的准确度，提升用户的使用体验。
图2是根据本公开实施例的又一种时序提名的生成方法的流程示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施方式结合。具体的，参考图2，该方法具体包括如下步骤：
S210、通过标准视频识别模型对所述待处理视频进行特征提取，获取目标图像特征序列。
其中，待处理视频，可以是通过爬虫程序在网络中获取的包含人体动作的公开视频资源，也可以是用户上传的，需要进行视频剪辑的视频资源；本实施例对待处理视频的获取方式，不作具体限定。
标准视频识别模型，可以是预先训练完成的，基于卷积神经网络的特征提取模型；在本实施例中，在获取到待处理视频之后，可以对待处理视频进行图像采集，以获取对应的图像序列；然后，将图像序列依次输入至标准视频识别模型，以获取标准视频识别模型输出的，与图像序列中各图像分别对应的图像特征；最终，可以通过对各图像特征进行拼接，获取待处理视频对应的目标图像特征序列。
S220、对所述目标图像特征序列进行时序信息融合，并采用预设边界预测算法对时序信息融合结果进行预测，获取至少一个起始时间点和至少一个终止时间点。
需要说明的是，为了避免当前的目标图像特征序列，可能存在的时序不连贯的问题，在本实施例中，可以按照时序信息，对目标图像特征序列中各图像特征进行顺序调整，以获取时序连续的目标图像特征序列。可以理解的是，各图像特征对应的帧图像在待处理视频中的时间顺序固定。
进一步的，在完成对目标图像特征序列的时序信息融合之后，可以采用预设边界预测算法(例如，边界敏感网络或者边界匹配网络等)对时序信息融合后的目标图像特征序列进行指定动作检测，以获取可能包含指定动作的视频片段的多个起始时间点和多个终止时间点。
可选的，在采用预设边界预测算法对时序信息融合结果进行预测之前，可以预先对边界网络进行训练；具体的，获取一定长度的视频图像序列和该视频对应的真实标签(例如，时序提名的起始时间点、终止时间点以及动作分类等)，并通过特征提取模型对视频图像序列进行特征提取，以获取对应的图像特征序列；进而将该图像特征序列输入至，基于神经网络算法构建的初始边界网络，以获取预测的边界分数，并通过分类交叉熵计算损失函数；重复上述过程，直至获取的损失函数低于预设损失阈值，获取训练完成的边界网络。
S230、根据所述各起始时间点和所述各终止时间点，组成与所述待处理视频对应的至少一个候选时序提名。
具体的，在待处理视频中获取到多个起始时间点和多个终止时间点之后，可以将各起始时间点与各终止时间点进行结合，以获取多个时序区间；并根据各时序区间，在待处理视频中截取对应的视频片段，以获取多个候选时序提名。例如，起始时间点包括1:01和1:03，终止时间点包括3:00和3:01，则对应的时序区间可以包括1:01-3:00、1:01-3:01、1:03-3:00以及1:03-3:01。
S240、根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征。
其中，动作关联特征和背景关联特征中包括所述待处理视频中的动作特征与背景特征之间的差异信息。
S250、根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分。
S260、根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
本公开实施例的技术方案，通过标准视频识别模型对待处理视频进行特征提取，得到目标图像特征序列，并对目标图像特征序列进行时序信息融合，进而采用预设边界预测算法对时序信息融合结果进行预测，获取多个起始时间点和多个终止时间点，并根据各起始时间点和各终止时间点，组成与待处理视频对应的多个候选时序提名，实现了对候选时序提名的高效率获取，同时通过利用动作特征与背景特征之间的差异信息，提升了获取目标时序提名的精准度。
在本实施例的一个实施方式中，还可以响应于针对所述待处理视频的视频检索请求，将检索条件与所述待处理视频的各目标时序提名进行匹配，获取匹配结果；
响应于针对所述待处理视频的视频推荐请求，在所述待处理视频的各目标时序提名中确定推荐时序提名，作为对所述待处理视频的推荐结果；以及响应于针对所述待处理视频的视频集锦生成请求，将所述待处理视频的各目标时序提名进行组合，形成所述待处理视频的视频集锦。
在本实施例中，当接收到针对该待处理视频的视频检索请求时，可以对视频检索请求进行解析，以得到对应的检索条件；进而采用该检索条件与待处理视频的各目标时序提名进行匹配对比，若确定检索条件与某一个目标时序提名成功匹配，则将该待处理视频发送至视频检索请求的发送方。其中，检索条件可以包括检索时序区间；例如，检索条件可以为时序提名的时序区间为1:01-5:01。
此外，当接收到针对待处理视频的视频推荐请求时，可以在各目标时序提名中确定推荐时序提名；例如，可以将对应置信度最高的目标时序提名确定为推荐时序提名，或者可以将动作得分最高的目标时序提名确定为推荐时序提名；并将该推荐时序提名，作为视频推荐请求对应的推荐结果。而当接收到针对待处理视频的视频集锦生成请求时，可以将各目标时序提名按照置信度从高到低的顺序，或者按照动作得分从高到低的顺序进行拼接，以生成待处理视频对应的视频集锦。
在本实施例中，通过根据接收的针对待处理视频的操作请求，为用户提供对应的结果数据，丰富了时序提名生成方法的功能，进一步提升了用户的使用体验。
图3A是根据本公开实施例的又一种时序提名的生成方法的流程示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施方式结合。具体的，参考图3A，该方法具体包括如下步骤：
S310、通过标准视频识别模型对所述待处理视频进行特征提取，获取目标图像特征序列。
S320、对所述目标图像特征序列进行时序信息融合，并采用预设边界预测算法对时序信息融合结果进行预测，获取至少一个起始时间点和至少一个终止时间点。
S330、根据所述各起始时间点和所述各终止时间点，组成与所述待处理视频对应的至少一个候选时序提名。
S340、根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征。
其中，动作关联特征和背景关联特征中包括待处理视频中的动作特征与背景特征之间的差异信息。
在本实施例的一个实施方式中，所述根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征，可以包括：
S341、将所述目标图像特征序列输入至预先训练的第一自注意力网络中，获取所述第一自注意力网络输出的，与所述待处理视频对应的动作特征；
其中，第一自注意力网络，是指关注于动作特征的自注意力网络；在本实施例中，可以通过预先训练完成的第一自注意力网络，在目标图像特征序列中提取与动作最相关的特征部分，以获取与待处理视频对应的动作特征。
S342、将所述目标图像特征序列的输入至预先训练的第二自注意力网络中，获取所述第二自注意力网络输出的，与所述待处理视频对应的背景特征；
对应的，第二自注意力网络，是指关注于背景特征的自注意力网络；在本实施例中，通过预先训练完成的第二自注意力网络，在目标图像特征序列中提取与背景最相关的特征部分，以获取与待处理视频对应的背景特征。
S343、将所述动作特征和背景特征共同输入至预先训练的第一差异注意力网络中，获取所述第一差异注意力网络输出的，与所述待处理视频匹配的动作关联特征和背景关联特征；
其中，第一差异注意力网络，是指关注于动作特征和背景特征间差异性的注意力网络，其输入为动作特征和背景特征，输出为动作特征对应的动作关联特征，以及背景特征对应的背景关联特征；在本实施例中，可以通过预先训练的第一差异注意力网络，利用动作特征和背景特征间的差异性，分别对动作特征和背景特征进行增强，以获取对应的动作关联特征和背景关联特征。
在本实施例中，分别通过第一自注意力网络和第二自注意力网络，在目标图像特征序列中提取对应的动作特征和背景特征，进而通过第一差异注意力网络，利用动作特征和背景特征间的差异性，获取动作特征对应的关联动作特征，以及背景特征对应的关联背景特征，实现了利用动作特征和背景特征间差异性的高效提取。
S350、分别将各候选时序提名在所述动作关联特征上进行插值采样，获取各候选时序提名分别对应的提名动作特征。
S360、分别将各候选时序提名在所述背景关联特征上进行插值采样，获取各候选时序提名分别对应的提名背景特征。
在本实施例中，在获取到动作关联特征和背景关联特征之后，可以进一步分别对动作关联特征和背景关联特征进行插值采样(例如，最近邻元法和双线性内插法等)，以获取各候选时序提名分别对应的提名动作特征和提名背景特征。
S370、根据所述各候选时序提名分别对应的提名动作特征和提名背景特征，确定所述各候选时序提名的动作得分和背景得分。
在本实施例中，通过对动作关联特征和背景关联特征分别进行插值采样，以获取对应的提名动作特征和提名背景特征，并最终根据提名动作特征和提名背景特征，计算得到各候选时序提名的动作得分和背景得分，实现了对动作得分和背景得分的高效获取。
在本实施例的一个实施方式中，所述根据所述各候选时序提名分别对应的提名动作特征和提名背景特征，确定所述各候选时序提名的动作得分和背景得分，可以包括：
S371、将各候选时序提名的提名动作特征进行组合，获取提名动作特征序列；
S372、将各候选时序提名的提名背景特征进行组合，获取提名背景特征序列；
其中，可以按照各提名动作特征或者提名背景特征对应的采集图像在待处理视频中的时间顺序，分别对各提名动作特征或者提名背景特征进行组合，以获取对应的提名动作特征序列或提名背景特征序列。
S373、将所述提名动作特征序列输入至预先训练的第三自注意力网络中，获取所述提名动作特征序列对应的第一类动作得分序列；
其中，第三自注意力网络，用于对提名动作特征序列与动作的相关性进行评估；在本实施例中，可以通过第三自注意力网络对输入的提名动作特征序列中的每一个提名动作特征，分别进行动作相关性检测，以获取各提名动作特征的第一类动作得分；进而按照各第一类动作得分的获取顺序，对各第一类动作得分进行拼接，以获取提名动作特征序列对应的第一类动作得分序列。
S374、将所述提名背景特征序列输入至预先训练的第四自注意力网络中，获取所述提名背景特征序列对应的第一类背景得分序列；
其中，第四自注意力网络，用于对提名背景特征序列与背景的相关性进行评估；在本实施例中，还可以通过第四自注意力网络对提名背景特征序列中各提名背景特征，分别进行背景相关性检测，以获取提名背景特征序列对应的第一类背景得分序列。
需要说明的是，检测相关性越高，对应的第一类得分可以越高；例如，若检测到当前的提名动作特征序列中的某一个提名动作特征，与动作相关性很高，则可以赋予其较高的第一类动作得分；或者，若检测到当前的提名背景特征序列中的某一个提名背景特征，与背景相关性很高，则可以赋予其较高的第一类背景得分。
S375、将所述第一类动作得分序列和所述第一类背景得分序列共同输入至预先训练的第二差异注意力网络中，获取第二类动作得分序列和第二类背景得分序列；
其中，第二差异注意力网络，用于对输入的第一类动作得分序列和第一类背景得分序列，进行动作和背景间差异性的评估；在本实施例中，可以通过第二差异注意力网络，对输入的第一类动作得分序列和第一类背景得分序列进行动作和背景间差异性检测，以获取对应的第二类动作得分序列和第二类背景得分序列。
其中，若检测到某一个第一类动作得分或者第一类背景得分在动作和背景间的差异性较大，则可以在原始第一类动作得分或者第一类背景得分的基础上，增加较大的数值，以获取对应的第二类动作得分或者第二类背景得分。
S376、根据所述第二类动作得分序列和第二类背景得分序列，获取各候选时序提名的动作得分和背景得分。
其中，可以将第二类动作得分序列中的每个第二类动作得分进行相加，将和值作为最终的动作得分，以及将第二类背景得分序列中的每个第二类背景得分进行相加，将和值作为最终的背景得分；或者，可以将第二类动作得分序列中最大的第二类动作得分，作为最终的动作得分，以及将第二类背景得分序列中最大的第二类背景得分，作为最终的背景得分。
在本实施例中，通过第三自注意力网络和第四自注意力网络，分别对提名动作特征序列和提名背景特征序列进行动作相关性检测和背景相关性检测，可以获取对应的第一类动作得分序列和第一类背景得分序列。进一步的，通过第二差异注意力网络，对获取的第一类动作得分序列和第一类背景得分序列，进行动作和背景间差异性的检测，可以获取对应的第二类动作得分序列和第二类背景得分序列，实现了在候选时序提名评估阶段，利用动作和背景间差异性，确定各候选时序提名的动作得分和背景得分，提升了获取各候选时序提名对应得分的准确度。
可选的，可以将第一自注意力网络、第二自注意力网络、第一差异注意力网络、第三自注意力网络、第四自注意力网络以及第二差异注意力网络组成时序提名网络，并对该时序提名网络进行统一的网络训练；例如，可以将图像特征序列作为时序提名网络的输入，以获取各候选时序提名的评估分数，并通过分类交叉熵和smooth L1计算损失函数，以基于该损失函数，获取训练完成的时序提名网络。
S380、根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
本公开实施例的技术方案，通过在关联特征获取阶段和得分获取阶段，分别使用自注意力网络和差异注意力网络，实现了对动作特征和背景特征之间差异性的提取，进而基于动作特征和背景特征间差异性，对各候选时序提名进行评估，提升了评估的准确度，进而提升了最终获取的目标时序提名的精准度。
在一个具体的例子中，如图3B所示，对于候选时序提名的评估可以分为两个阶段，即frame阶段和clip阶段；其中，在frame阶段，将目标图像特征序列分别输入至第一自注意力网络和第二自注意力网络，以获取待处理视频对应的动作特征和背景特征；进而将动作特征和背景特征输入至第一差异注意力网络，以获取动作特征对应的动作关联特征，以及背景特征对应的背景关联特征；其中，动作关联特征和背景关联特征，包含了动作特征和背景特征之间的差异信息。
在clip阶段之前，针对每个候选时序提名，分别基于上述动作关联特征和背景关联特征，得到对应的提名动作特征和提名背景特征，并分别将提名动作特征和提名背景特征进行组合，以得到对应的提名动作特征序列和提名背景特征序列。
在clip阶段，将提名动作特征序列输入至第三自注意力网络，同时将提名背景特征序列输入至第四自注意力网络，获取对应的第一类动作得分序列和第一类背景得分序列；进而将第一类动作得分序列和第一类背景得分序列输入至第二差异注意力网络，以获取综合考虑了动作和背景间差异性的第二类动作得分序列和第二类背景得分序列。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
本公开实施例还提供了一种时序提名的生成装置，用于执行上述的时序提名的生成方法。
图4为本公开实施例提供的一种时序提名的生成装置400的结构图，该装置包括：候选时序提名获取模块410、关联特征获取模块420、得分获取模块430和目标时序提名确定模块440。
其中，候选时序提名获取模块410，用于提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名；
关联特征获取模块420，用于根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征；
其中，动作关联特征和背景关联特征中包括所述待处理视频中的动作特征与背景特征之间的差异信息；
得分获取模块430，用于根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；
目标时序提名确定模块440，用于根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
本公开实施例的技术方案，通过提取待处理视频对应的目标图像特征序列，并根据该目标图像特征序列，获取待处理视频对应的多个候选时序提名，进而根据目标图像特征序列，获取待处理视频匹配的，包括动作特征和背景特征间差异信息的动作关联特征和背景关联特征，并根据动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；并最终根据各动作得分和背景得分，在各候选时序提名中确定与待处理视频对应的目标时序提名，通过在时序提名评估阶段充分利用动作和背景的差异性，提高了获取目标时序提名的精准度和召回率。
在上述各实施例的基础上，所述候选时序提名获取模块410，包括：
目标图像特征序列获取单元，用于通过标准视频识别模型对所述待处理视频进行特征提取，获取目标图像特征序列；
时间获取单元，用于对所述目标图像特征序列进行时序信息融合，并采用预设边界预测算法对时序信息融合结果进行预测，获取至少一个起始时间点和至少一个终止时间点；
候选时序提名组成单元，用于根据所述各起始时间点和所述各终止时间点，组成与所述待处理视频对应的至少一个候选时序提名。
所述关联特征获取模块420，包括：
动作特征获取单元，用于将所述目标图像特征序列输入至预先训练的第一自注意力网络中，获取所述第一自注意力网络输出的，与所述待处理视频对应的动作特征；
背景特征获取单元，用于将所述目标图像特征序列的输入至预先训练的第二自注意力网络中，获取所述第二自注意力网络输出的，与所述待处理视频对应的背景特征；
关联特征获取单元，用于将所述动作特征和背景特征共同输入至预先训练的第一差异注意力网络中，获取所述第一差异注意力网络输出的，与所述待处理视频匹配的动作关联特征和背景关联特征。
所述得分获取模块430，包括：
提名动作特征获取单元，用于分别将各候选时序提名在所述动作关联特征上进行插值采样，获取各候选时序提名分别对应的提名动作特征；
提名背景特征获取单元，用于分别将各候选时序提名在所述背景关联特征上进行插值采样，获取各候选时序提名分别对应的提名背景特征；
得分获取单元，用于根据所述各候选时序提名分别对应的提名动作特征和提名背景特征，确定所述各候选时序提名的动作得分和背景得分。
所述得分获取单元，包括：
提名动作特征序列获取子单元，用于将各候选时序提名的提名动作特征进行组合，获取提名动作特征序列；
提名背景特征序列获取子单元，用于将各候选时序提名的提名背景特征进行组合，获取提名背景特征序列；
第一类动作得分序列获取子单元，用于将所述提名动作特征序列输入至预先训练的第三自注意力网络中，获取所述提名动作特征序列对应的第一类动作得分序列；
第一类背景得分序列获取子单元，用于将所述提名背景特征序列输入至预先训练的第四自注意力网络中，获取所述提名背景特征序列对应的第一类背景得分序列；
第二类得分序列获取子单元，用于将所述第一类动作得分序列和所述第一类背景得分序列共同输入至预先训练的第二差异注意力网络中，获取第二类动作得分序列和第二类背景得分序列；
得分获取子单元，用于根据所述第二类动作得分序列和第二类背景得分序列，获取各候选时序提名的动作得分和背景得分。
所述目标时序提名确定模块440，包括：
置信度获取单元，用于对各候选时序提名的动作得分和背景得分进行加权求和，获取各候选时序提名的置信度；
目标时序提名获取单元，用于将置信度大于或等于预设置信度阈值的候选时序提名，确定为所述待处理视频对应的目标时序提名。
所述装置，还包括：
视频检索请求响应模块，用于响应于针对所述待处理视频的视频检索请求，将检索条件与所述待处理视频的各目标时序提名进行匹配，获取匹配结果；
视频推荐请求响应模块，用于响应于针对所述待处理视频的视频推荐请求，在所述待处理视频的各目标时序提名中确定推荐时序提名，作为对所述待处理视频的推荐结果；以及
视频集锦生成请求响应模块，用于响应于针对所述待处理视频的视频集锦生成请求，将所述待处理视频的各目标时序提名进行组合，形成所述待处理视频的视频集锦。
本公开实施例所提供的时序提名的生成装置可执行本公开任意实施例所提供的时序提名的生成方法，具备执行方法相应的功能模块和有益效果。
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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如时序提名的生成方法。例如，在一些实施例中，时序提名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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的时序提名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501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行时序提名的生成方法。
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)、区块链网络和互联网。
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。
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、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (17)

1.一种时序提名的生成方法，所述方法包括：
提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名；
根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征；
其中，动作关联特征和背景关联特征中包括所述待处理视频中的动作特征与背景特征之间的差异信息；
根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；
根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
2.根据权利要求1所述的方法，其中，所述提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名，包括：
通过标准视频识别模型对所述待处理视频进行特征提取，获取目标图像特征序列；
对所述目标图像特征序列进行时序信息融合，并采用预设边界预测算法对时序信息融合结果进行预测，获取至少一个起始时间点和至少一个终止时间点；
根据所述各起始时间点和所述各终止时间点，组成与所述待处理视频对应的至少一个候选时序提名。
3.根据权利要求1所述的方法，其中，所述根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征，包括：
将所述目标图像特征序列输入至预先训练的第一自注意力网络中，获取所述第一自注意力网络输出的，与所述待处理视频对应的动作特征；
将所述目标图像特征序列的输入至预先训练的第二自注意力网络中，获取所述第二自注意力网络输出的，与所述待处理视频对应的背景特征；
将所述动作特征和背景特征共同输入至预先训练的第一差异注意力网络中，获取所述第一差异注意力网络输出的，与所述待处理视频匹配的动作关联特征和背景关联特征。
4.根据权利要求1所述的方法，其中，所述根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分，包括：
分别将各候选时序提名在所述动作关联特征上进行插值采样，获取各候选时序提名分别对应的提名动作特征；
分别将各候选时序提名在所述背景关联特征上进行插值采样，获取各候选时序提名分别对应的提名背景特征；
根据所述各候选时序提名分别对应的提名动作特征和提名背景特征，确定所述各候选时序提名的动作得分和背景得分。
5.根据权利要求4所述的方法，其中，所述根据所述各候选时序提名分别对应的提名动作特征和提名背景特征，确定所述各候选时序提名的动作得分和背景得分，包括：
将各候选时序提名的提名动作特征进行组合，获取提名动作特征序列；
将各候选时序提名的提名背景特征进行组合，获取提名背景特征序列；
将所述提名动作特征序列输入至预先训练的第三自注意力网络中，获取所述提名动作特征序列对应的第一类动作得分序列；
将所述提名背景特征序列输入至预先训练的第四自注意力网络中，获取所述提名背景特征序列对应的第一类背景得分序列；
将所述第一类动作得分序列和所述第一类背景得分序列共同输入至预先训练的第二差异注意力网络中，获取第二类动作得分序列和第二类背景得分序列；
根据所述第二类动作得分序列和第二类背景得分序列，获取各候选时序提名的动作得分和背景得分。
6.根据权利要求1所述的方法，其中，所述根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名，包括：
对各候选时序提名的动作得分和背景得分进行加权求和，获取各候选时序提名的置信度；
将置信度大于或等于预设置信度阈值的候选时序提名，确定为所述待处理视频对应的目标时序提名。
7.根据权利要求1所述的方法，还包括下述至少一项：
响应于针对所述待处理视频的视频检索请求，将检索条件与所述待处理视频的各目标时序提名进行匹配，获取匹配结果；
响应于针对所述待处理视频的视频推荐请求，在所述待处理视频的各目标时序提名中确定推荐时序提名，作为对所述待处理视频的推荐结果；以及
响应于针对所述待处理视频的视频集锦生成请求，将所述待处理视频的各目标时序提名进行组合，形成所述待处理视频的视频集锦。
8.一种时序提名的生成装置，所述装置包括：
候选时序提名获取模块，用于提取待处理视频对应的目标图像特征序列，并根据所述目标图像特征序列，获取所述待处理视频对应的至少一个候选时序提名；
关联特征获取模块，用于根据所述目标图像特征序列，获取所述待处理视频匹配的动作关联特征和背景关联特征；
其中，动作关联特征和背景关联特征中包括所述待处理视频中的动作特征与背景特征之间的差异信息；
得分获取模块，用于根据所述动作关联特征和背景关联特征，获取各候选时序提名的动作得分和背景得分；
目标时序提名确定模块，用于根据所述各候选时序提名的动作得分和背景得分，在各候选时序提名中确定与所述待处理视频对应的目标时序提名。
9.根据权利要求8所述的装置，其中，所述候选时序提名获取模块，包括：
目标图像特征序列获取单元，用于通过标准视频识别模型对所述待处理视频进行特征提取，获取目标图像特征序列；
时间获取单元，用于对所述目标图像特征序列进行时序信息融合，并采用预设边界预测算法对时序信息融合结果进行预测，获取至少一个起始时间点和至少一个终止时间点；
候选时序提名组成单元，用于根据所述各起始时间点和所述各终止时间点，组成与所述待处理视频对应的至少一个候选时序提名。
10.根据权利要求8所述的装置，其中，所述关联特征获取模块，包括：
动作特征获取单元，用于将所述目标图像特征序列输入至预先训练的第一自注意力网络中，获取所述第一自注意力网络输出的，与所述待处理视频对应的动作特征；
背景特征获取单元，用于将所述目标图像特征序列的输入至预先训练的第二自注意力网络中，获取所述第二自注意力网络输出的，与所述待处理视频对应的背景特征；
关联特征获取单元，用于将所述动作特征和背景特征共同输入至预先训练的第一差异注意力网络中，获取所述第一差异注意力网络输出的，与所述待处理视频匹配的动作关联特征和背景关联特征。
11.根据权利要求8所述的装置，其中，所述得分获取模块，包括：
提名动作特征获取单元，用于分别将各候选时序提名在所述动作关联特征上进行插值采样，获取各候选时序提名分别对应的提名动作特征；
提名背景特征获取单元，用于分别将各候选时序提名在所述背景关联特征上进行插值采样，获取各候选时序提名分别对应的提名背景特征；
得分获取单元，用于根据所述各候选时序提名分别对应的提名动作特征和提名背景特征，确定所述各候选时序提名的动作得分和背景得分。
12.根据权利要求11所述的装置，其中，所述得分获取单元，包括：
提名动作特征序列获取子单元，用于将各候选时序提名的提名动作特征进行组合，获取提名动作特征序列；
提名背景特征序列获取子单元，用于将各候选时序提名的提名背景特征进行组合，获取提名背景特征序列；
第一类动作得分序列获取子单元，用于将所述提名动作特征序列输入至预先训练的第三自注意力网络中，获取所述提名动作特征序列对应的第一类动作得分序列；
第一类背景得分序列获取子单元，用于将所述提名背景特征序列输入至预先训练的第四自注意力网络中，获取所述提名背景特征序列对应的第一类背景得分序列；
第二类得分序列获取子单元，用于将所述第一类动作得分序列和所述第一类背景得分序列共同输入至预先训练的第二差异注意力网络中，获取第二类动作得分序列和第二类背景得分序列；
得分获取子单元，用于根据所述第二类动作得分序列和第二类背景得分序列，获取各候选时序提名的动作得分和背景得分。
13.根据权利要求8所述的装置，其中，所述目标时序提名确定模块，包括：
置信度获取单元，用于对各候选时序提名的动作得分和背景得分进行加权求和，获取各候选时序提名的置信度；
目标时序提名获取单元，用于将置信度大于或等于预设置信度阈值的候选时序提名，确定为所述待处理视频对应的目标时序提名。
14.根据权利要求8所述的装置，还包括下述至少一项：
视频检索请求响应模块，用于响应于针对所述待处理视频的视频检索请求，将检索条件与所述待处理视频的各目标时序提名进行匹配，获取匹配结果；
视频推荐请求响应模块，用于响应于针对所述待处理视频的视频推荐请求，在所述待处理视频的各目标时序提名中确定推荐时序提名，作为对所述待处理视频的推荐结果；以及
视频集锦生成请求响应模块，用于响应于针对所述待处理视频的视频集锦生成请求，将所述待处理视频的各目标时序提名进行组合，形成所述待处理视频的视频集锦。
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1-7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1-7中任一项所述的方法。
17.一种计算机程序产品，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1-7中任一项所述的方法。
CN202111342541.9A 2021-11-12 2021-11-12 一种时序提名的生成方法、装置、设备及介质 Active CN114120180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111342541.9A CN114120180B (zh) 2021-11-12 2021-11-12 一种时序提名的生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111342541.9A CN114120180B (zh) 2021-11-12 2021-11-12 一种时序提名的生成方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114120180A true CN114120180A (zh) 2022-03-01
CN114120180B CN114120180B (zh) 2023-07-21

Family

ID=80379776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111342541.9A Active CN114120180B (zh) 2021-11-12 2021-11-12 一种时序提名的生成方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114120180B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627556A (zh) * 2022-03-15 2022-06-14 北京百度网讯科技有限公司 动作检测方法、动作检测装置、电子设备以及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050157908A1 (en) * 2004-01-15 2005-07-21 Canon Kabushiki Kaisha Action recognition apparatus and method, moving-object recognition apparatus and method, device control apparatus and method, and program
JP2006244140A (ja) * 2005-03-03 2006-09-14 Hitachi Building Systems Co Ltd 人間挙動検知と最適対応システム
CN101464952A (zh) * 2007-12-19 2009-06-24 中国科学院自动化研究所 基于轮廓的异常行为识别方法
CN103942328A (zh) * 2014-04-30 2014-07-23 海信集团有限公司 一种视频检索方法及视频装置
US20150154449A1 (en) * 2013-11-29 2015-06-04 Fujitsu Limited Method and apparatus for recognizing actions
CN106709447A (zh) * 2016-12-21 2017-05-24 华南理工大学 基于目标定位与特征融合的视频中异常行为检测方法
CN111291699A (zh) * 2020-02-19 2020-06-16 山东大学 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法
CN111401205A (zh) * 2020-03-11 2020-07-10 深圳市商汤科技有限公司 动作识别方法及装置、电子设备、计算机可读存储介质
CN113365147A (zh) * 2021-08-11 2021-09-07 腾讯科技（深圳）有限公司 基于音乐卡点的视频剪辑方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050157908A1 (en) * 2004-01-15 2005-07-21 Canon Kabushiki Kaisha Action recognition apparatus and method, moving-object recognition apparatus and method, device control apparatus and method, and program
JP2006244140A (ja) * 2005-03-03 2006-09-14 Hitachi Building Systems Co Ltd 人間挙動検知と最適対応システム
CN101464952A (zh) * 2007-12-19 2009-06-24 中国科学院自动化研究所 基于轮廓的异常行为识别方法
US20150154449A1 (en) * 2013-11-29 2015-06-04 Fujitsu Limited Method and apparatus for recognizing actions
CN103942328A (zh) * 2014-04-30 2014-07-23 海信集团有限公司 一种视频检索方法及视频装置
CN106709447A (zh) * 2016-12-21 2017-05-24 华南理工大学 基于目标定位与特征融合的视频中异常行为检测方法
CN111291699A (zh) * 2020-02-19 2020-06-16 山东大学 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法
CN111401205A (zh) * 2020-03-11 2020-07-10 深圳市商汤科技有限公司 动作识别方法及装置、电子设备、计算机可读存储介质
CN113365147A (zh) * 2021-08-11 2021-09-07 腾讯科技（深圳）有限公司 基于音乐卡点的视频剪辑方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FAN MA 等: "SF-Net: Single-Frame Supervision for Temporal Action Localization" *
PHUC XUAN NGUYEN 等: "Weakly-supervised Temporal Action Localization by Uncertainty Modeling" *
黄韵文 等: "结合分水岭和回归网络的视频时序动作选举算法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627556A (zh) * 2022-03-15 2022-06-14 北京百度网讯科技有限公司 动作检测方法、动作检测装置、电子设备以及存储介质
US11741713B2 (en) 2022-03-15 2023-08-29 Beijing Baidu Netcom Science Technology Co., Ltd. Method of detecting action, electronic device, and storage medium

Also Published As

Publication number Publication date
CN114120180B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN113642431B (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
US20210390370A1 (en) Data processing method and apparatus, storage medium and electronic device
CN112949710A (zh) 一种图像的聚类方法和装置
CN113033622A (zh) 跨模态检索模型的训练方法、装置、设备和存储介质
CN112800919A (zh) 一种检测目标类型视频方法、装置、设备以及存储介质
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
CN112862005A (zh) 视频的分类方法、装置、电子设备和存储介质
CN113780098A (zh) 文字识别方法、装置、电子设备以及存储介质
CN114429633A (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN114511743B (zh) 检测模型训练、目标检测方法、装置、设备、介质及产品
CN113827240B (zh) 情绪分类方法和情绪分类模型的训练方法、装置及设备
CN114120180B (zh) 一种时序提名的生成方法、装置、设备及介质
CN116578925A (zh) 基于特征画像的行为预测方法、装置及存储介质
CN114090601B (zh) 一种数据筛选方法、装置、设备以及存储介质
CN113051911B (zh) 提取敏感词的方法、装置、设备、介质及程序产品
CN114724144A (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN114254650A (zh) 一种信息处理方法、装置、设备及介质
CN113591570A (zh) 视频处理方法、装置、电子设备和存储介质
CN114330576A (zh) 模型处理方法、装置、图像识别方法及装置
CN113963197A (zh) 图像识别方法、装置、电子设备和可读存储介质
CN113642495B (zh) 用于评价时序提名的模型的训练方法、设备、程序产品
CN114445711B (zh) 图像检测方法、装置、电子设备和存储介质
CN114677691B (zh) 文本识别方法、装置、电子设备及存储介质

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