CN114359810B - 视频摘要生成方法、装置、电子设备及存储介质 - Google Patents

视频摘要生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114359810B
CN114359810B CN202210028911.XA CN202210028911A CN114359810B CN 114359810 B CN114359810 B CN 114359810B CN 202210028911 A CN202210028911 A CN 202210028911A CN 114359810 B CN114359810 B CN 114359810B
Authority
CN
China
Prior art keywords
video
vector
segment
preset
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210028911.XA
Other languages
English (en)
Other versions
CN114359810A (zh
Inventor
舒畅
陈又新
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210028911.XA priority Critical patent/CN114359810B/zh
Publication of CN114359810A publication Critical patent/CN114359810A/zh
Priority to PCT/CN2022/090761 priority patent/WO2023134088A1/zh
Application granted granted Critical
Publication of CN114359810B publication Critical patent/CN114359810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种视频摘要生成方法、装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取视频数据；通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段；对视频片段进行编码处理，得到视频隐藏特征向量；将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句；根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本。本申请实施例能够提高生成视频摘要的准确性。

Description

视频摘要生成方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种视频摘要生成方法、装置、电子设备及存储介质。
背景技术
目前，在对视频进行摘要提取时，常常采用监督学习的方式：将视频数据等输入至训练好的监督学习模型，通过监督学习模型对视频数据进行处理，得到视频摘要；但是监督学习模型对训练集的人工标注要求较高，而人工标注的方式往往会存在着较大的人为误差，会影响视频摘要的准确性。因此，如何提高生成视频摘要的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种视频摘要生成方法、装置、电子设备及存储介质，旨在提高生成视频摘要的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种视频摘要生成方法，所述方法包括：
获取视频数据；
通过预设的视频提取模型对所述视频数据进行视频提取，得到多个视频片段；
对所述视频片段进行编码处理，得到视频隐藏特征向量；
将所述视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；
通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句；
根据预设的拼接顺序对所述视频摘要语句进行拼接处理，得到视频摘要文本。
在一些实施例，所述视频提取模型包括双流网络、BM层、卷积层和预设函数，所述通过预设的视频提取模型对所述视频数据进行视频提取，得到多个视频片段的步骤，包括：
通过所述双流网络对所述视频数据进行特征提取，得到视频特征；
通过BM层将预设的权重矩阵与所述视频特征进行点乘处理，得到视频特征图；
通过所述卷积层对所述视频特征图进行卷积处理，得到视频特征置信度图；
通过所述预设函数对所述视频特征的每一时序位置进行特征概率计算，得到时序概率值；
根据所述视频特征置信度图和所述时序概率值对所述视频数据进行分割处理，得到所述视频片段。
在一些实施例，所述文本识别模型包括Bert层和Transformer层，所述通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句的步骤，包括：
对所述视频描述词段进行词向量化处理，得到每一所述视频描述词段对应的视频描述词向量；
通过所述Bert层对所述视频描述词向量进行嵌入处理，得到视频描述表征向量；
通过所述Transformer层对每一所述视频描述表征向量进行文本分值计算，得到每一所述视频描述表征向量的文本分值；
根据所述文本分值对所述视频描述词段进行筛选处理，得到视频摘要语句。
在一些实施例，所述通过所述Bert层对所述视频描述词向量进行嵌入处理，得到视频描述表征向量的步骤，包括：
通过所述Bert层中预设的参考段嵌入向量对所述视频描述词向量进行段嵌入处理，得到视频段嵌入向量；
通过所述Bert层中预设的特征维度对所述视频描述词向量进行位置嵌入处理，得到视频位置嵌入向量；
对所述视频描述词向量、所述视频段嵌入向量以及所述视频位置嵌入向量进行组合处理，得到所述视频描述表征向量。
在一些实施例，所述根据所述文本分值对所述视频描述词段进行筛选处理，得到视频摘要语句的步骤，包括：
根据所述文本分值对视频描述词段进行降序排列，得到视频描述词段序列；
根据预设的筛选条件对所述视频描述词段序列进行筛选处理，得到所述视频摘要语句。
在一些实施例，所述根据预设的筛选条件对所述视频描述词段序列进行筛选处理，得到所述视频摘要语句的步骤，包括：
比对所述视频描述词段序列中每一视频描述词段的文本分值与预设的文本阈值；
对所述文本分值大于或者等于所述文本分值阈值的视频描述词段进行增补处理，得到所述视频摘要语句。
在一些实施例，所述根据预设的拼接顺序对所述视频摘要语句进行拼接处理，得到视频摘要文本的步骤，包括：
获取每一视频摘要语句的预设分隔符；
根据预设的拼接顺序和所述预设分隔符对所述视频摘要语句进行拼接处理，得到所述视频摘要文本。
为实现上述目的，本申请实施例的第二方面提出了一种视频摘要生成装置，所述装置包括：
视频数据获取模块，用于获取视频数据；
视频提取模块，用于通过预设的视频提取模型对所述视频数据进行视频提取，得到多个视频片段；
编码模块，用于对所述视频片段进行编码处理，得到视频隐藏特征向量；
矩阵相乘模块，用于将所述视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；
文本识别模块，用于通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句；
拼接模块，用于根据预设的拼接顺序对所述视频摘要语句进行拼接处理，得到视频摘要文本。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的视频摘要生成方法、装置、电子设备及存储介质，其通过获取视频数据；通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段，能够有效地剔除视频数据中相关性不高的数据，缩小数据总量，提高数据合理性。进而，对视频片段进行编码处理，得到视频隐藏特征向量，再将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段，通过这一方式能够方便地得到符合需求的视频描述词段，从而提高生成的视频摘要的准确性和生成效率。进而，通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句，这样一来，使得得到的视频摘要语句能够更好地突显出视频的主要内容。最后，根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本，能够进一步地提高视频摘要文本的质量。
附图说明
图1是本申请实施例提供的视频摘要生成方法的流程图；
图2是图1中的步骤S102的流程图；
图3是图1中的步骤S105的流程图；
图4是图3中的步骤S302的流程图；
图5是图3中的步骤S304的流程图；
图6是图5中的步骤S502的流程图；
图7是图1中的步骤S106的流程图；
图8是本申请实施例提供的视频摘要生成装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：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新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
Transformer模型：Transformer模型类似于Attention模型，也采用了encoer-decoder架构，但Transformer模型的结构相比于Attention更加复杂，通常包括多个encoder堆叠在一起，多个decoder层堆叠在一起。对于encoder，包含self-attention层和前馈神经网络两层，其中self-attention能帮助当前节点不仅仅只关注当前的词，从而能获取到上下文的语义；decoder不仅包含self-attention层和前馈神经网络这两层，还包含了attention层，attention层在在self-attention层和前馈神经网络的中间，attention层能帮助当前节点获取到当前需要关注的重点内容。
Transformer层：神经网络包括嵌入层(可以称为输入嵌入层(input embedding))和至少一个transformer层，至少一个transformer层可以为N个transformer层(N是大于0的整数)；嵌入层包括输入嵌入层和位置编码(positional encoding)层，其中，在输入嵌入层，可以对当前输入中的各个词进行词嵌入处理，从而得到各个词的词嵌入向量；在位置编码层，可以获取各个词在该当前输入中的位置，进而对各个词的位置生成位置向量。每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feedforward)层、add&norm层。在嵌入层(input embedding)，对当前输入进行嵌入处理，得到多个特征向量；在注意力层，从transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在池化层，将P个中间向量合并为Q个输出向量，其中至少一个transformer层中最后一个transformer层得到的多个输出向量用作当前输入的特征表示。在嵌入层，对当前输入(可以为文本输入，例如一段文本或一个句子；文本可以为中文/英文或其他语言文本)进行嵌入处理，得到多个特征向量。嵌入层在获取当前输入后，可以对该当前输入中各个词进行嵌入处理，可得到各个词的特征向量。
嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提商效率。
BERT(Bidirectional Encoder Representation from Transformers)模型：BERT模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于Transformer构建而成。BERT中有三种embedding，即Token Embedding，SegmentEmbedding，Position Embedding；其中Token Embeddings是词向量，第一个单词是CLS标志，可以用于之后的分类任务；Segment Embeddings用来区别两种句子，因为预训练不光做LM还要做以两个句子为输入的分类任务；Position Embeddings，这里的位置词向量不是transfor中的三角函数，而是BERT经过训练学到的。但BERT直接训练一个positionembedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个position embedding和word embedding的结合方式上，BERT选择直接拼接。
编码(encoder)：编码用于将输入序列转化成一个固定长度的向量。
解码(decoder)：解码用于将编码生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
结构化查询语言(Structured Query Language，SQL)：SQL是一种特殊目的的编程语言，是一种数据库查询和程序设计语言，用于存取数据以及查询、更新和管理关系数据库系统。结构化查询语言是高级的非过程化编程语言，允许用户在高层数据结构上工作。它不要求用户指定对数据的存放方法，也不需要用户了解具体的数据存放方式，所以具有完全不同底层结构的不同数据库系统，可以使用相同的结构化查询语言作为数据输入与管理的接口。结构化查询语言语句可以嵌套，这使它具有极大的灵活性和强大的功能。
目前，在对视频进行事件标记时，常常采用监督学习的方式，即将视频图像等输入至训练好的模型进行视频摘要生成，这一方式对训练集的人工标注要求较高，而人工标注的方式往往会存在着较大的人为误差，会影响视频摘要的准确性。因此，如何提高生成视频摘要的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种视频摘要生成方法、装置、电子设备及存储介质，旨在提高生成视频摘要的准确性。
本申请实施例提供的视频摘要生成方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的视频摘要生成方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的视频摘要生成方法，涉及人工智能技术领域。本申请实施例提供的视频摘要生成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现视频摘要生成方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的视频摘要生成方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，获取视频数据；
步骤S102，通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段；
步骤S103，对视频片段进行编码处理，得到视频隐藏特征向量；
步骤S104，将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；
步骤S105，通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句；
步骤S106，根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本。
本申请实施例所示意的步骤S101至步骤S106中，通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段，能够有效地剔除视频数据中相关性不高的数据，缩小数据总量，提高数据合理性。进而，对视频片段进行编码处理，得到视频隐藏特征向量，再将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段，通过这一方式能够方便地得到符合需求的视频描述词段，从而提高生成的视频摘要的准确性和生成效率。通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句，使得得到的视频摘要语句能够更好地突显出视频的主要内容。最后，根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本，能够进一步地提高视频摘要文本的质量。
在一些实施例的步骤S101中，可以通过编写网络爬虫，设置好数据源之后进行有目标性的爬取数据，得到视频数据。也可以通过其他方式获取视频数据，不限于此。
请参阅图2，在一些实施例中，视频提取模型为BMN模型(即时序动作检测模型)，视频提取模型包括双流网络、BM层、卷积层和预设函数，步骤S102可以包括但不限于包括步骤S201至步骤S205：
步骤S201，通过双流网络对视频数据进行特征提取，得到视频特征；
步骤S202，通过BM层将预设的权重矩阵与视频特征进行点乘处理，得到视频特征图；
步骤S203，通过卷积层对视频特征图进行卷积处理，得到视频特征置信度图；
步骤S204，通过预设函数对视频特征的每一时序位置进行特征概率计算，得到时序概率值；
步骤S205，根据视频特征置信度图和时序概率值对视频数据进行分割处理，得到视频片段。
具体地，可以将视频数据定义为其中，xn表示视频数据中的某一帧，lv表示视频数据的总帧数。
在一些实施例的步骤S201中，在BM模型中使用Two-Stream双流网络提取视频特征，双流网络一路提取视频图像的空间特征，一路提取视频光流的时序运动特征，在视频片段的每个位置提取视频图像特征和视频光流特征，该过程可以表示如公式(1)所示：
其中，xtn表示视频数据中的第t帧视频图像，otn表示以视频数据第t帧视频图像为中心的连续图像计算的视频光流，然后将xtn和otn分别输入至Two-Stream双流网络以提取视频特征，然后将双流网络的两路输入特征进行合并融合，得到视频特征ftn。对视频数据的每个时序位置都计算得到xtn和otn，并提取视频特征ftn，从而得到视频的时序特征为了降低计算量，可以在进行视频特征提取时，采用步长为σ的间隔采样，通过该方式采样的视频特征序列的总帧数为ls＝lv/σ。
在一些实施例的步骤S202中，首先，定义提取到的视频特征中的时序特征序列为SF，对于每个视频片段SF，其中，SF∈RC×T，在其开始时间和结束时间范围内，采样N个特征点，得到每个视频片段的视频特征对每个视频片段都进行同样的采样过程，就得到了视频特征图MF＝RC×N×D×T；其中，C是原始视频特征序列的输入通道数，N是每个视频片段的采样点数，D是定义的视频片段的最大持续时长超参数，T是原始视频特征序列长度。
具体地，首先对视频片段的边界进行扩展处理，将边界扩展为[ts-0.25d，te+0.25d]，ts为起始边界点，te为结束边界点，d＝te-ts，对该区间进行均匀采样N个点，并且生成采样点对应的权重矩阵，然后根据每个均匀采样点的权重以及与之对应的时序特征加权计算每个采样点的视频特征，其中，权重矩阵wi，j∈RN×T的计算过程如公式(2)所示：
对于在视频片段内采样的N个点，假如第n个采样点t＜tn＜t+1，那么表示这个采样点落在时间序列t和t+1之间，通过tn采样点的小数部分来衡量采样点tn和时间序列t和t+1之间的靠近程度，并使用t和t+1的加权结果来表示tn位置的采样结果，tn的小数部分越大，表明tn离t越远，时刻t的权重1-dec(tn)就越小，时刻t+1的权重dec(tn)就越大。
对每一视频片段将权重矩阵wi，j∈RN×T和该视频片段的时序特征SF∈RC×T点乘能够得到该视频片段的视频特征(如公式(3)所示)。将该过程扩展到二维BM图上，扩展后的权重矩阵为w＝RC×N×D×T，使用权重矩阵w＝RC×N×D×T和时序特征SF∈RC×T进行点乘，得到视频特征图MF＝RC×N×D×T。
在一些实施例的步骤S203中，对视频特征图进行2D卷积处理以及3D卷积处理，计算出视频特征置信度图。
在一些实施例的步骤S204中，通过sigmoid函数对视频时序特征的每个时序位置是动作开始和动作结束的概率进行预测，得到时序概率值，即在每个时序位置输出两个通道，然后使用sigmoid转换为概率值， 分别表示开始概率和结束概率。
在一些实施例的步骤S205中，从视频特征置信度图上获取每一视频片段的回归置信度、分类置信度，根据时序概率值得到开始节点概率以及结束节点概率最后基于视频片段的开始节点概率结束节点概率分类置信度pcc、回归置信度pcr计算得到视频片段的置信度值：根据soft-nms函数和置信度值对视频数据进行预测和分割处理，得到视频片段。例如，选择概率值大于设定阈值，或者是峰值的开始点和结束点组成候选视频片段的开始点序列和结束点序列，然后将开始序列和结束序列进行两两配对得到候选视频片段，候选视频片段此时可以表示为：进而，通过soft-nms函数将候选视频片段从视频数据中分割出来，得到多个视频片段。
在一些实施例的步骤S103之前，该方法还包括预先训练语言模型，该语言模型用于对视频片段进行编码处理，得到视频隐藏特征向量；还用于将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段。具体地，该语言模型可以为transformer模型、LSTM模型或者GPT-2模型等等。
以transformer模型为例，transformer模型包括编码器和解码器。该语言模型的训练过程包括：获取样本视频片段，并将样本视频片段输入至transformer模型中。通过transformer模型的编码器对样本视频片段进行编码处理，得到样本视频隐藏特征向量，通过transformer模型的解码器对样本视频隐藏特征向量进行解码处理，使得样本视频隐藏特征向量与参考词向量进行矩阵相乘，得到视频描述词段，得到样本视频描述词段。通过transrormer模型的损失函数计算样本视频描述词段与参考视频描述词段的相似度，根据相似度对transformer模型的损失函数进行优化，对损失函数的模型损失进行反向传播，不断地调整模型参数，直至相似度大于或者等于相似度阈值，停止对transformer模型的优化，得到符合要求的语言模型。
在一些实施例的步骤S103中，将视频片段输入至语言模型的编码器中，通过语言模型的编码器对视频片段进行编码处理，得到视频隐藏特征向量。
在一些实施例的步骤S104中，将生成的视频隐藏特征向量输入至语言模型的解码器中，通过将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段。具体地，在t时刻解码器会根据当前的视频隐藏特征向量结合t-1时刻生成的视频描述词段的词向量，生成t时刻的视频描述词段wt。由于t-1时刻是没有视频描述词段的，这里使用全为0的词向量作为参考词向量。当视频描述词段wt生成结束后，解码器在t+1时刻同样根据t+1时刻的视频隐藏特征向量与t时刻生成的视频描述词段wt的词向量进行矩阵相乘，生成视频描述词段wt+1，以此类推，直到生成的视频描述词段wn是一个终止符<eos>，即代表本句话生成结束。
需要说明的是，通过上述方式得到的每一视频描述词段都带有一对分隔符，该分隔符用于将多个视频描述词段分隔开。具体地，该分隔符可以是一对占位符：第一占位符[CLS]与第二占位符[SEP]，其中第一占位符[CLS]表示视频描述词段的开始，第二占位符[SEP]表示视频描述词段的结束。其中，CLS(classifer token)，也叫分类器标识符或者标识符，是一种特殊的token，该token的词嵌入通常用于进行分类任务；SEP(sentenceseparator)也叫语句分隔标识符或者分隔符，也是一种特殊的token，可应用于分隔两个视频描述词段。例如，对于某一视频描述词段W1的序列可以表示为：[CLS]-[W1.1]-[W1.2]-[SEP]，其中，[CLS]为视频描述词段W1的开始，[SEP]为视频描述词段的结束，[W1.1]为视频描述词段W1的第一个视频词组，[W1.2]为视频描述词段W1的第二个视频词组。
请参阅图3，在一些实施例中，文本识别模型为BERT模型，文本识别模型包括Bert层和Transformer层，步骤S105可以包括但不限于包括步骤S301至步骤S304：
步骤S301，对视频描述词段进行词向量化处理，得到每一视频描述词段对应的视频描述词向量；
步骤S302，通过Bert层对视频描述词向量进行嵌入处理，得到视频描述表征向量；
步骤S303，通过Transformer层对每一视频描述表征向量进行文本分值计算，得到每一视频描述表征向量的文本分值；
步骤S304，根据文本分值对视频描述词段进行筛选处理，得到视频摘要语句。
在一些实施例的步骤S301中，通过LSTM算法或者transformer算法等对视频描述词段进行词向量化处理，得到每一视频描述词段对应的视频描述词向量。
在一些实施例的步骤S302中，通过Bert层对视频描述词向量进行嵌入处理，该嵌入处理包括段嵌入处理、位置嵌入处理等等，对不同类型的嵌入处理得到的嵌入向量进行拼接处理，能够较为方便地得到视频描述表征向量。
在一些实施例的步骤S303中，可以通过Transformer层中的预设函数对每一视频描述表征向量进行文本分值计算，其中，预设函数可以为sigmoid函数，通过sigmoid函数计算视频描述表征向量与参考表征向量的相似概率值，以相似概率值代表每一视频描述表征向量的文本分值。
在一些实施例的步骤S304中，可以根据文本分值对视频描述词段进行降序排列，得到视频描述词段序列，进而将视频描述词段序列内的每一视频描述词段的文本分值与预设的文本分值阈值对比，以对视频描述词段序列的视频描述词段进行筛选处理，并对筛选处理之后的视频描述词段进行语句增补，得到视频摘要语句。
请参阅图4，在一些实施例中，步骤S302可以包括但不限于包括步骤S401至步骤S403：
步骤S401，通过Bert层中预设的参考段嵌入向量对视频描述词向量进行段嵌入处理，得到视频段嵌入向量；
步骤S402，通过Bert层中预设的特征维度对视频描述词向量进行位置嵌入处理，得到视频位置嵌入向量；
步骤S403，对视频描述词向量、视频段嵌入向量以及视频位置嵌入向量进行组合处理，得到视频描述表征向量。
在一些实施例的步骤S401中，通过Bert层中预设的参考段嵌入向量对视频描述词向量进行段嵌入处理，得到视频段嵌入向量，即根据参考段嵌入向量对视频描述词向量进行分词处理，得到视频描述词段cap的视频词组(W1.1，W1.2，…，W50.1，W50.2，W50.3)，并对每一视频描述词段赋予不同的视频段嵌入向量。其中，视频段嵌入向量可以表示为EA，EB…，该视频段嵌入向量从1开始取值，依次递增；即对应第一个视频描述词段cap1的视频词组W1.1、视频词组W1.2，参考段嵌入向量均为EA，EA等于1；在对应第二个视频描述词段cap2的第一个视频词组W2.1时，参考段嵌入向量为EB，EB等于2，…，依次类推。
在一些实施例的步骤S402中，获取每一视频描述词向量对应的特征维度以及词向量的位置数据，根据特征维度、预设函数以及词向量位置数据对视频描述词向量进行位置嵌入处理，得到视频位置嵌入向量。其中，当特征维度为偶数位，则预设函数为正弦函数，该正弦函数可以表示为公式(4)，当特征维度为奇数位，则预设函数为余弦函数，该余弦函数可以表示为公式(5)：
PE(pos，2i)＝sin(pos/100002i/dmodel) 公式(4)
PE(pos，2i+1)＝cos(pos/100002i/dmodel) 公式(5)
其中，2i代表特征维度的偶数位，2i+1代表奇数位，位数从0开始计算。dmodel代表特征维度，一般为512维。pos代表词向量的位置数据。
在一些实施例的步骤S403中，对视频描述词向量、视频段嵌入向量以及视频位置嵌入向量进行向量叠加，得到视频描述表征向量。
例如，假设视频描述词段有50个，即视频描述词段可以表示为cap1，…，cap50，对每一视频描述词段分词处理，得到每一视频描述词段cap的视频词组W，如对第一个视频描述词段cap1分词处理，得到视频词组W1.1，W1.2，其中，E1.1表示第一个视频描述词段cap1中的第一个视频词组W1.1的词向量，E1.2表示第一个视频描述词段cap1中的第二个视频词组W1.2的词向量。由于第一个视频描述词段cap1对应的视频段嵌入向量为EA，通过上述公式(4)、公式(5)可以分别计算出视频词组W1.1，W1.2对应的视频位置嵌入向量E1、E2，则第一个视频描述词段cap1中的第一个视频词组W1.1的视频描述表征向量可以表示为E1.1+EA+E1；第一个视频描述词段cap1中的第二个视频词组W1.2的视频描述表征向量可以表示为E1.2+EA+E2。
请参阅图5，在一些实施例中，步骤S304还可以包括但不限于包括步骤S501至步骤S502：
步骤S501，根据文本分值对视频描述词段进行降序排列，得到视频描述词段序列；
步骤S502，根据预设的筛选条件对视频描述词段序列进行筛选处理，得到视频摘要语句。
在一些实施例的步骤S501中，根据文本分值，从大到小，对视频描述词段进行降序排列，得到视频描述词段序列。
在一些实施例的步骤S502中，可以根据文本分值与文本分值阈值的大小关系，对视频描述词段序列进行筛选处理，得到视频摘要语句。
请参阅图6，在一些实施例，步骤S502还包括但不限于包括步骤S601至步骤S602：
步骤S601，比对视频描述词段序列中每一视频描述词段的文本分值与预设的文本阈值；
步骤S602，对文本分值大于或者等于文本分值阈值的视频描述词段进行增补处理，得到视频摘要语句。
在一些实施例的步骤S601中，比对视频描述词段序列中每一视频描述词段的文本分值与预设文本阈值，将文本分值大于或者等于文本分值阈值的视频描述词段纳入同一集合，得到视频摘要语句集合，其中，文本分值阈值可以为75。
在一些实施例的步骤S602中，根据预设的文本字段数据库内的标准字段，对视频摘要语句集合的视频描述词段进行语句补全、实体改写、大小写改写、同义词变换等处理，实现对视频描述词段的增补，得到视频摘要语句，提高了视频摘要语句的语句完整性。
请参阅图7，在一些实施例中，步骤S106还可以包括但不限于包括步骤S701至步骤S702：
步骤S701，获取每一视频摘要语句的预设分隔符；
步骤S702，根据预设的拼接顺序和预设分隔符对视频摘要语句进行拼接处理，得到视频摘要文本。
在一些实施例的步骤S701中，由于每一视频描述词段都设置有对应的一个占位符[CLS]，因而，将视频摘要语句输入至数据库平台中，可以通过数据库平台获取每一视频摘要语句的分隔符[CLS]，并对视频摘要语句进行格式转换，得到完整视频摘要语句，完整视频摘要语句的开始位置嵌入有分隔符[CLS]。
在一些实施例的步骤S702中，为了提高视频摘要的合理性，可以根据预设的拼接顺序和拼接函数对完整视频摘要语句进行拼接处理，预设的拼接顺序可以是获取到视频片段的时间先后顺序等等，预设的拼接函数可以为CONCAT()函数或者CONCAT_WS()函数。例如，在数据库平台上，根据获取到视频片段的时间先后顺序，将多个完整视频摘要语句进行标注处理，使得每一完整的视频摘要语句带上序列标签，该序列标签可以是阿拉伯序列(1、2、3、…)，也可以是英文字母序列(A、B、C、…)；进而，通过CONCAT()函数对多个带有序列标签的完整视频摘要语句按照序列标签顺序进行拼接融合，得到视频摘要文本。
本申请实施例通过获取视频数据；通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段，能够有效地剔除视频数据中相关性不高的数据，缩小数据总量，提高数据合理性。进而，对视频片段进行编码处理，得到视频隐藏特征向量，再将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段，通过这一方式能够方便地得到符合需求的视频描述词段，从而提高生成的视频摘要的准确性和生成效率。进而，通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句，这样一来，使得得到的视频摘要语句能够更好地突显出视频的主要内容。最后，根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本，能够进一步地提高视频摘要文本的质量。
请参阅图8，本申请实施例还提供一种视频摘要生成装置，可以实现上述视频摘要生成方法，该装置包括：
视频数据获取模块801，用于获取视频数据；
视频提取模块802，用于通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段；
编码模块803，用于对视频片段进行编码处理，得到视频隐藏特征向量；
矩阵相乘模块804，用于将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；
文本识别模块805，用于通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句；
拼接模块806，用于根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本。
该视频摘要生成装置的具体实施方式与上述视频摘要生成方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述视频摘要生成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的视频摘要生成方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述视频摘要生成方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的视频摘要生成方法、视频摘要生成装置、电子设备及存储介质，其通过获取视频数据；通过预设的视频提取模型对视频数据进行视频提取，得到多个视频片段，能够有效地剔除视频数据中相关性不高的数据，缩小数据总量，提高数据合理性。进而，对视频片段进行编码处理，得到视频隐藏特征向量，再将视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段，通过这一方式能够方便地得到符合需求的视频描述词段，从而提高生成的视频摘要的准确性和生成效率。进而，通过预设的文本识别模型对视频描述词段进行文本识别处理，得到视频摘要语句，这样一来，使得得到的视频摘要语句能够更好地突显出视频的主要内容。最后，根据预设的拼接顺序对视频摘要语句进行拼接处理，得到视频摘要文本，能够进一步地提高视频摘要文本的质量。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。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可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (8)

1.一种视频摘要生成方法，其特征在于，所述方法包括：
获取视频数据；
通过预设的视频提取模型对所述视频数据进行视频提取，得到多个视频片段；
对所述视频片段进行编码处理，得到视频隐藏特征向量；
将所述视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；
通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句；
根据预设的拼接顺序对所述视频摘要语句进行拼接处理，得到视频摘要文本；
所述文本识别模型包括Bert层和Transformer层，所述通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句的步骤，包括：
对所述视频描述词段进行词向量化处理，得到每一所述视频描述词段对应的视频描述词向量；
通过所述Bert层对所述视频描述词向量进行嵌入处理，得到视频描述表征向量；
通过所述Transformer层对每一所述视频描述表征向量进行文本分值计算，得到每一所述视频描述表征向量的文本分值；
根据所述文本分值对所述视频描述词段进行筛选处理，得到视频摘要语句；
所述通过所述Bert层对所述视频描述词向量进行嵌入处理，得到视频描述表征向量的步骤，包括：
通过所述Bert层中预设的参考段嵌入向量对所述视频描述词向量进行段嵌入处理，得到视频段嵌入向量；
通过所述Bert层中预设的特征维度对所述视频描述词向量进行位置嵌入处理，得到视频位置嵌入向量；
对所述视频描述词向量、所述视频段嵌入向量以及所述视频位置嵌入向量进行组合处理，得到所述视频描述表征向量；
所述将所述视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段，包括：
将所述视频隐藏特征向量输入至语言模型的解码器；在每个时刻，基于所述解码器对所述时刻的上一时刻生成的视频描述词段的词向量、和所述时刻的视频隐藏特征向量进行矩阵相乘，生成所述时刻的视频描述词段，直至生成最后一个时刻的视频描述词段，其中，所述参考词向量是全零向量，所述参考词向量是用于与第一个时刻的视频隐藏特征向量进行矩阵相乘的词向量，所述最后一个时刻的视频描述词段是一个终止符。
2.根据权利要求1所述的视频摘要生成方法，其特征在于，所述视频提取模型包括双流网络、BM层、卷积层和预设函数，所述通过预设的视频提取模型对所述视频数据进行视频提取，得到多个视频片段的步骤，包括：
通过所述双流网络对所述视频数据进行特征提取，得到视频特征；
通过BM层将预设的权重矩阵与所述视频特征进行点乘处理，得到视频特征图；
通过所述卷积层对所述视频特征图进行卷积处理，得到视频特征置信度图；
通过所述预设函数对所述视频特征的每一时序位置进行特征概率计算，得到时序概率值；
根据所述视频特征置信度图和所述时序概率值对所述视频数据进行分割处理，得到所述视频片段。
3.根据权利要求1所述的视频摘要生成方法，其特征在于，所述根据所述文本分值对所述视频描述词段进行筛选处理，得到视频摘要语句的步骤，包括：
根据所述文本分值对视频描述词段进行降序排列，得到视频描述词段序列；
根据预设的筛选条件对所述视频描述词段序列进行筛选处理，得到所述视频摘要语句。
4.根据权利要求3所述的视频摘要生成方法，其特征在于，所述根据预设的筛选条件对所述视频描述词段序列进行筛选处理，得到所述视频摘要语句的步骤，包括：
比对所述视频描述词段序列中每一视频描述词段的文本分值与预设的文本阈值；
对所述文本分值大于或者等于所述文本分值阈值的视频描述词段进行增补处理，得到所述视频摘要语句。
5.根据权利要求1至4任一项所述的视频摘要生成方法，其特征在于，所述根据预设的拼接顺序对所述视频摘要语句进行拼接处理，得到视频摘要文本的步骤，包括：
获取每一视频摘要语句的预设分隔符；
根据预设的拼接顺序和所述预设分隔符对所述视频摘要语句进行拼接处理，得到所述视频摘要文本。
6.一种视频摘要生成装置，其特征在于，所述装置包括：
视频数据获取模块，用于获取视频数据；
视频提取模块，用于通过预设的视频提取模型对所述视频数据进行视频提取，得到多个视频片段；
编码模块，用于对所述视频片段进行编码处理，得到视频隐藏特征向量；
矩阵相乘模块，用于将所述视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段；
文本识别模块，用于通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句；
拼接模块，用于根据预设的拼接顺序对所述视频摘要语句进行拼接处理，得到视频摘要文本；
所述文本识别模型包括Bert层和Transformer层，所述通过预设的文本识别模型对所述视频描述词段进行文本识别处理，得到视频摘要语句，包括：
对所述视频描述词段进行词向量化处理，得到每一所述视频描述词段对应的视频描述词向量；
通过所述Bert层对所述视频描述词向量进行嵌入处理，得到视频描述表征向量；
通过所述Transformer层对每一所述视频描述表征向量进行文本分值计算，得到每一所述视频描述表征向量的文本分值；
根据所述文本分值对所述视频描述词段进行筛选处理，得到视频摘要语句；
所述通过所述Bert层对所述视频描述词向量进行嵌入处理，得到视频描述表征向量，包括：
通过所述Bert层中预设的参考段嵌入向量对所述视频描述词向量进行段嵌入处理，得到视频段嵌入向量；
通过所述Bert层中预设的特征维度对所述视频描述词向量进行位置嵌入处理，得到视频位置嵌入向量；
对所述视频描述词向量、所述视频段嵌入向量以及所述视频位置嵌入向量进行组合处理，得到所述视频描述表征向量；
所述将所述视频隐藏特征向量与预设的参考词向量进行矩阵相乘处理，得到视频描述词段，包括：
将所述视频隐藏特征向量输入至语言模型的解码器；在每个时刻，基于所述解码器对所述时刻的上一时刻生成的视频描述词段的词向量、和所述时刻的视频隐藏特征向量进行矩阵相乘，生成所述时刻的视频描述词段，直至生成最后一个时刻的视频描述词段，其中，所述参考词向量是全零向量，所述参考词向量是用于与第一个时刻的视频隐藏特征向量进行矩阵相乘的词向量，所述最后一个时刻的视频描述词段是一个终止符。
7.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至5任一项所述的视频摘要生成方法的步骤。
8.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至5中任一项所述的视频摘要生成方法的步骤。
CN202210028911.XA 2022-01-11 2022-01-11 视频摘要生成方法、装置、电子设备及存储介质 Active CN114359810B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210028911.XA CN114359810B (zh) 2022-01-11 2022-01-11 视频摘要生成方法、装置、电子设备及存储介质
PCT/CN2022/090761 WO2023134088A1 (zh) 2022-01-11 2022-04-29 视频摘要生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210028911.XA CN114359810B (zh) 2022-01-11 2022-01-11 视频摘要生成方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114359810A CN114359810A (zh) 2022-04-15
CN114359810B true CN114359810B (zh) 2024-06-28

Family

ID=81109448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210028911.XA Active CN114359810B (zh) 2022-01-11 2022-01-11 视频摘要生成方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN114359810B (zh)
WO (1) WO2023134088A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359810B (zh) * 2022-01-11 2024-06-28 平安科技（深圳）有限公司 视频摘要生成方法、装置、电子设备及存储介质
CN114841146B (zh) * 2022-05-11 2023-07-04 平安科技（深圳）有限公司 文本摘要生成方法和装置、电子设备及存储介质
CN114938462B (zh) * 2022-06-07 2023-06-30 平安科技（深圳）有限公司 授课视频的智能剪辑方法、系统、电子设备及存储介质
CN115883878B (zh) * 2022-11-25 2024-08-06 南方科技大学 视频剪辑方法、装置、电子设备及存储介质
CN117809218B (zh) * 2023-12-29 2024-09-17 浙江博观瑞思科技有限公司 电商店铺描述视频处理系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199151A (zh) * 2019-12-31 2020-05-26 联想(北京)有限公司 数据处理方法、及数据处理装置
CN113395578A (zh) * 2020-11-27 2021-09-14 腾讯科技（深圳）有限公司 一种提取视频主题文本的方法、装置、设备及存储介质
CN113887215A (zh) * 2021-10-18 2022-01-04 平安科技（深圳）有限公司 文本相似度计算方法、装置、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111078943B (zh) * 2018-10-18 2023-07-04 山西医学期刊社 一种视频文本摘要生成方法及装置
CN112052841B (zh) * 2020-10-12 2021-06-29 腾讯科技（深圳）有限公司 一种视频摘要的生成方法以及相关装置
CN113704393A (zh) * 2021-04-13 2021-11-26 腾讯科技（深圳）有限公司 关键词提取方法、装置、设备及介质
CN113052149B (zh) * 2021-05-20 2021-08-13 平安科技（深圳）有限公司 视频摘要生成方法、装置、计算机设备及介质
CN113268586A (zh) * 2021-05-21 2021-08-17 平安科技（深圳）有限公司 文本摘要生成方法、装置、设备及存储介质
CN114359810B (zh) * 2022-01-11 2024-06-28 平安科技（深圳）有限公司 视频摘要生成方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199151A (zh) * 2019-12-31 2020-05-26 联想(北京)有限公司 数据处理方法、及数据处理装置
CN113395578A (zh) * 2020-11-27 2021-09-14 腾讯科技（深圳）有限公司 一种提取视频主题文本的方法、装置、设备及存储介质
CN113887215A (zh) * 2021-10-18 2022-01-04 平安科技（深圳）有限公司 文本相似度计算方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Tianwei Lin,et al..BMN: Boundary-Matching Network for Temporal Action Proposal Generation.2019 IEEE/CVF Interantional Conference on Computer Vision，Seoul，Korea(South)，2019.2019,第3888-3897页. *

Also Published As

Publication number Publication date
WO2023134088A1 (zh) 2023-07-20
CN114359810A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN114359810B (zh) 视频摘要生成方法、装置、电子设备及存储介质
CN114519356B (zh) 目标词语的检测方法、装置、电子设备及存储介质
CN113705315B (zh) 视频处理方法、装置、设备及存储介质
CN114722069A (zh) 语言转换方法和装置、电子设备及存储介质
CN114841146B (zh) 文本摘要生成方法和装置、电子设备及存储介质
CN113392265A (zh) 多媒体处理方法、装置及设备
CN114519395A (zh) 模型的训练方法和装置、文本摘要生成方法和装置、设备
CN115497477B (zh) 语音交互方法、语音交互装置、电子设备、存储介质
CN116341553A (zh) 命名实体识别方法和装置、电子设备及存储介质
CN114936274B (zh) 模型训练方法、对话生成方法和装置、设备及存储介质
CN113449081A (zh) 文本特征的提取方法、装置、计算机设备及存储介质
CN116050352A (zh) 文本编码方法和装置、计算机设备及存储介质
CN116719999A (zh) 文本相似度检测方法和装置、电子设备及存储介质
CN114358020A (zh) 疾病部位识别方法、装置、电子设备及存储介质
CN114492661A (zh) 文本数据分类方法和装置、计算机设备、存储介质
CN115145980B (zh) 对话回复生成方法和装置、电子设备及存储介质
CN116956925A (zh) 电子病历命名实体识别方法和装置、电子设备及存储介质
CN114398903B (zh) 意图识别方法、装置、电子设备及存储介质
CN116432705A (zh) 文本生成模型构建、文本生成方法和装置、设备及介质
CN114611529B (zh) 意图识别方法和装置、电子设备及存储介质
CN116541551A (zh) 音乐分类方法、音乐分类装置、电子设备及存储介质
CN116701744A (zh) 组件检索方法、组件检索装置、电子设备及存储介质
CN116595023A (zh) 地址信息的更新方法和装置、电子设备及存储介质
CN116628207A (zh) 文本分类模型的训练方法和装置、电子设备及存储介质
CN116364054A (zh) 基于diffusion的语音合成方法、装置、设备、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