CN114627556B - 动作检测方法、动作检测装置、电子设备以及存储介质 - Google Patents

动作检测方法、动作检测装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN114627556B
CN114627556B CN202210256181.9A CN202210256181A CN114627556B CN 114627556 B CN114627556 B CN 114627556B CN 202210256181 A CN202210256181 A CN 202210256181A CN 114627556 B CN114627556 B CN 114627556B
Authority
CN
China
Prior art keywords
target
action
nomination
interval
candidate action
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
CN202210256181.9A
Other languages
English (en)
Other versions
CN114627556A (zh
Inventor
马彩虹
王冠皓
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 CN202210256181.9A priority Critical patent/CN114627556B/zh
Publication of CN114627556A publication Critical patent/CN114627556A/zh
Priority to US18/088,082 priority patent/US11741713B2/en
Priority to EP22216478.2A priority patent/EP4152180A3/en
Application granted granted Critical
Publication of CN114627556B publication Critical patent/CN114627556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user

Landscapes

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

Abstract

本公开提供了一种动作检测方法、动作检测装置、电子设备以及存储介质，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。具体实现方案为：对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据；对至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，其中，第一候选动作提名信息包括第一候选动作提名区间；对与至少一个第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个第一候选动作提名区间对应的至少一个分类置信度；根据与第一候选动作提名区间对应的至少一个分类置信度，确定目标资源包括的至少一个动作片段的动作检测结果，其中，动作检测结果包括动作类别和动作时段。

Description

动作检测方法、动作检测装置、电子设备以及存储介质
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。具体地，涉及一种动作检测方法、动作检测装置、电子设备以及存储介质。
背景技术
时序动作检测(Temporal Action Detection，TAD)是计算机视觉领域中的任务之一。该任务的目的是对事件场景的资源进行分析和理解，确定资源中存在的动作的动作类别和动作时段。动作时段包括动作开始时刻和动作结束时刻。时序动作检测可以时序动作检测多种领域有着广泛的应用。例如，视频推荐、智能安防、智能家居、人机交互或辅助驾驶等。
发明内容
本公开提供了一种动作检测方法、动作检测装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种动作检测方法，包括：对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据；对上述至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，其中，上述第一候选动作提名信息包括第一候选动作提名区间；对与至少一个上述第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个上述第一候选动作提名区间对应的至少一个分类置信度；以及，根据与第一上述候选动作提名区间对应的至少一个分类置信度，确定上述目标资源包括的至少一个动作片段的动作检测结果，其中，上述动作检测结果包括动作类别和动作时段。
根据本公开的另一方面，提供了一种动作检测装置，包括：第一获得模块，用于对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据；第二获得模块，用于对上述至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，其中，上述第一候选动作提名信息包括第一候选动作提名区间；第三获得模块，用于对与至少一个上述第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个上述第一候选动作提名区间对应的至少一个分类置信度；以及，第一确定模块，用于根据与第一上述候选动作提名区间对应的至少一个分类置信度，确定上述目标资源包括的至少一个动作片段的动作检测结果，其中，上述动作检测结果包括动作类别和动作时段。
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；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述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本公开所述的方法。
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，其中，上述计算机指令用于使上述计算机执行本公开所述的方法。
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，上述计算机程序在被处理器执行时实现本公开所述的方法。
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示意性示出了根据本公开实施例的可以应用动作检测方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的动作检测方法的流程图；
图3A示意性示出了根据本公开实施例的动作检测方法的示例示意图；
图3B示意性示出了根据本公开实施例的在足球赛事精彩事件场景下的动作检测方法的示例示意图；
图3C示意性示出了根据本公开实施例的在影视精彩事件场景下的动作检测方法的示例示意图；
图3D示意性示出了根据本公开实施例的在直播精彩事件场景下的动作检测方法的示例示意图；
图4示意性示出了根据本公开实施例的动作检测装置的框图；以及
图5示意性示出了根据本公开实施例的适于实现动作检测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。
针对有限时长的资源进行动作检测，例如，短视频的时长，难以直接应用于具有实际需求的长时长的时序动作检测任务中。
为此，本公开实施例提出了一种动作检测方案。提出了一种对资源的时长不限定，框架迁移能力强的动作检测方案。通过对多个目标帧数据进行特征提取得到的至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，对与至少一个第一候选动作提名区间对应的目标特征数据进行动作分类，得到与至少一个第一候选动作提名区间对应的至少一个分类置信度，再根据与至少一个第一候选动作提名区间对应的至少一个分类置信度，确定目标资源包括的至少一个动作片段的动作检测结果，目标资源的时长可以是任意时长，实现了针对任意时长的目标资源的动作检测。此外，目标资源可以是多种类型的资源，因此，具有较强的迁移性。
图1示意性示出了根据本公开实施例的可以应用动作检测方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用动作检测方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的动作检测方法及装置。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的各种类型的服务器。例如，服务器105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，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器105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。
需要说明的是，本公开实施例所提供的动作检测方法一般可以由服务器105执行。相应地，本公开实施例所提供的动作检测装置一般可以设置于服务器105中。本公开实施例所提供的动作检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的动作检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者，本公开实施例所提供的动作检测方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的动作检测装置也可以设置于终端设备101、102、或103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的动作检测方法的流程图。
如图2所示，该方法200包括操作S210～S240。
在操作S210，对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据。
在操作S220，对至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息。第一候选动作提名信息包括第一候选动作提名区间。
在操作S230，对与至少一个第一候选动作提名区间对应的目标特征数据进行分类，得到与第一候选动作提名区间对应的至少一个分类置信度。
在操作S240，根据与第一候选动作提名区间对应的至少一个分类置信度，确定目标资源包括的至少一个动作片段的动作检测结果。动作检测结果包括动作类别和动作时段。
根据本公开的实施例，目标资源可以指需要进行动作检测的资源。资源的类型可以包括以下至少一项：视频、音频和文本。资源可以是针对任意事件场景的资源。事件场景可以包括以下至少一项：资源推荐、智能安防、人机交互、智慧教育、智能教育和辅助驾驶等。资源推荐可以包括以下至少一项：针对赛事的精彩事件推荐、针对影视剧的精彩事件推荐和针对直播的精彩事件推荐。资源的资源数据可以包括以下至少一项：视频数据、音频数据和文本数据。视频数据可以包括至少一个视频帧数据。视频数据还可以包括至少一个视频帧数据和至少一个音频帧数据。音频数据可以包括至少一个音频帧数据。
根据本公开的实施例，目标资源的时长可以是任意值。目标资源的时长可以根据实际业务需要进行配置，在此不作限定。例如，目标资源可以是未裁剪的长视频。目标资源可以包括多个目标帧数据。多个目标帧数据彼此之间具有时序关系。
根据本公开的实施例，时序动作提名可以用于确定动作提名区间信息。动作提名区间信息可以包括动作提名区间。动作提名区间可以包括动作开始时刻和动作结束时刻。分类置信度可以用于表征动作类别的置信程度。
根据本公开的实施例，多个帧数据可以是对目标资源的目标资源数据进行抽帧处理得到的。例如，可以根据预定帧率对目标资源进行抽帧处理，得到多个帧数据。预定帧率可以根据实际业务需求进行配置，在此不作限定。例如，预定帧率可以是5FPS(Frames PerSecond，每秒显示帧数)。在抽帧处理过程中，可以连续抽取多个帧数据，也可以间隔抽取多个帧数据。可以根据实际业务需求确定抽帧方式，在此不作限定。
根据本公开的实施例，可以获取目标资源的目标资源数据。可以对目标资源数据进行抽帧处理，得到多个目标帧数据。可以对多个目标帧数据进行特征提取，得到至少一个目标特征数据。例如，可以对多个目标帧数据进行特征提取，得到多个目标帧数据各自的目标特征数据。备选地，可以对多个目标帧数据进行特征提取，得到多个目标帧数据各自的目标特征数据。根据多个目标帧数据各自的目标特征数据，得到至少一个目标帧数据。例如，可以从多个目标帧数据中将具有关联关系的目标帧数据进行拼接，得到至少一个目标帧数据。
根据本公开的实施例，可以利用时序动作提名算法处理至少一个目标特征数据，得到与至少一个目标特征数据各自对应的第一候选动作提名信息。即，与至少一个目标帧数据各自对应的第一候选动作提名信息。第一候选动作提名信息可以包括第一候选动作提名区间。第一候选动作提名区间可以包括第一候选动作开始时刻和第一候选动作结束时刻。可以利用动作分类算法处理与至少一个第一候选动作提名区间各自对应的目标特征数据，得到与至少一个第一候选动作提名区间各自对应的至少一个分类置信度。
根据本公开的实施例，根据与至少一个第一候选动作提名区间各自对应的至少一个分类置信度，从至少一个第一候选动作提名区间中确定至少一个目标动作提名区间和与至少一个目标动作提名区间对应的动作类别。根据至少一个目标动作提名区间和与至少一个目标动作提名区间对应的动作类别，确定目标资源包括的至少一个动作片段的动作检测结果。例如，针对至少一个目标动作提名区间中的每个目标动作提名区间，将与目标动作区间对应的动作类别确定为动作片段的动作类别。将目标动作提名区间确定为动作片段的动作时段。
根据本公开的实施例，通过对多个目标帧数据进行特征提取得到的至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，对与至少一个第一候选动作提名区间对应的目标特征数据进行动作分类，得到与至少一个第一候选动作提名区间对应的至少一个分类置信度，再根据与至少一个第一候选动作提名区间对应的至少一个分类置信度，确定目标资源包括的至少一个动作片段的动作检测结果，目标资源的时长可以是任意时长，实现了针对任意时长的目标资源的动作检测。此外，目标资源可以是多种类型的资源，因此，具有较强的迁移性。
根据本公开的实施例，目标资源可以包括目标视频。
根据本公开的实施例，操作S210可以包括如下操作。
对目标视频的多个目标视频帧数据进行图像特征提取，得到至少一个目标图像特征数据。对目标视频的多个目标视频帧数据进行音频特征提取，得到至少一个目标音频特征数据。对至少一个目标图像特征数据和至少一个目标音频特征数据进行融合，得到至少一个目标特征数据。
根据本公开的实施例，目标视频可以包括多个目标视频帧数据和多个目标音频帧数据。可以从多个目标视频帧数据和多个目标音频帧数据中确定具有同一时刻的目标视频帧数据和目标音频帧数据。此外，目标视频还可以包括多个目标光流数据。
根据本公开的实施例，可以分别对多个目标视频帧数据进行图像特征提取，得到与至少一个目标视频帧数据各自对应的目标图像特征数据。例如，可以利用图像特征提取模型处理多个目标视频帧数据，得到与多个目标视频帧数据各自对应的目标图像特征数据。图像特征提取模型可以是利用第一训练样本训练第一预定深度模型训练得到的。
根据本公开的实施例，可以分别对多个目标音频帧数据进行音频特征提取，得到与至少一个目标音频帧数据各自对应的目标音频特征数据。例如，可以利用音频特征提取模型处理多个目标音频帧数据，得到与多个目标音频帧数据各自对应的目标音频特征数据。音频特征提取模型可以是利用第二训练样本训练第二预定深度学习模型训练得到的。
根据本公开的实施例，对目标视频的多个目标视频帧数据进行音频特征提取，得到至少一个目标音频特征数据，可以包括：对目标视频的多个目标视频帧数据进行频谱特征提取，得到至少一个目标频谱特征数据。根据至少一个目标频谱特征数据，得到至少一个目标音频特征数据。目标频谱特征数据可以包括梅尔谱、梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCC)和线性声谱。
根据本公开的实施例，根据至少一个目标频谱特征数据，得到至少一个目标音频特征数据，可以包括：将至少一个目标频谱特征数据确定为至少一个目标音频特征数据。备选地，可以对至少一个目标频谱特征数据进行特征提取，得到至少一个目标音频特征数据。
根据本公开的实施例，对至少一个目标图像特征数据和至少一个目标音频特征数据进行融合，得到至少一个目标特征数据，可以包括：从至少一个目标图像特征数据和至少一个目标音频特征数据中确定与同一时刻对应的目标图像特征数据和目标音频特征数据。将与同一时刻对应的目标图像特征数据和目标音频特征数据进行拼接，得到至少一个目标特征数据。备选地，将与同一时刻对应的目标图像特征数据和目标音频特征数据进行相加，得到至少一个目标特征数据。
根据本公开的实施例，对目标视频的多个目标视频帧数据进行图像特征提取，得到至少一个目标图像特征数据，可以包括如下操作。
利用图像特征提取模型处理目标视频的多个目标视频帧数据，得到至少一个目标图像特征数据。图像特征提取模型是对预定视频理解模型进行训练得到的。
根据本公开的实施例，预定视频理解模型可以包括以下至少一项：2D CNN(2DConvolutional Neural Networks，二维卷积神经网络)模型、C3D(Convolutional 3D，即三维卷积)模型、双流(即Two-Stream)序列模型、快速序列模型、时间残差神经网络模型、TSN(Temporal Segment Networks，时序片段网络)模型和TSM(Temporal Shift Module，时序移位模块)模型。
根据本公开的实施例，图像特征提取模型可以是利用第一训练样本训练预定视频理解模型得到的。第一训练样本可以包括多个样本视频帧数据和与多个样本视频帧数据各自对应的真实视频帧理解结果。图像特征提取模型可以是利用第一输出值训练预定视频理解模型得到的。第一输出值是基于第一损失函数，根据与多个样本视频帧数据各自对应的真实视频帧理解结果和预测视频帧理解结果确定的。多个样本视频帧数据可以是对至少一个样本视频进行稀疏采样得到的。图像特征提取模型可以是在根据第一输出值调整预定视频理解模型的模型参数，直至满足第一预定结束条件的情况下得到的预定视频理解模型确定的。将在满足第一预定结束条件的情况下得到的预定视频理解模型的特征提取模块确定为图像特征提取模型。例如，预定视频理解模型可以是TSM模型的分类结构的结构。即，可以将TSM模型的空间池化层的输出作为图像特征提取的结果。第一预定结束条件可以包括第一输出值收敛或达到第一最大训练轮次。
根据本公开的实施例，对目标视频的多个目标视频帧数据进行音频特征提取，得到至少一个目标音频特征数据，可以包括如下操作。
根据本公开的实施例，可以利用音频特征提取模型处理多个目标视频帧数据，得到至少一个目标音频特征数据。音频特征提取模型可以是利用第二训练样本训练第二预定深度学习模型训练得到的。第二预定深度学习模型可以包括卷积神经网络模型。卷积神经网络模型可以包括VGGish模型或VGGSound模型。VGGish模型可以是利用AudioSet数据集对卷积神经网络模型进行预训练得到的VGG(即Visual Geometry Group)模型。VGGSound模型可以是利用VGGSound数据集对卷积神经网络模型进行预训练得到的VGG模型。
根据本公开的实施例，操作S220可以包括如下操作。
利用时序动作提名模型处理至少一个目标特征数据，得到至少一个第一候选动作提名信息。
根据本公开的实施例，时序动作提名模型可以用于确定目标资源包括的至少一个第一候选动作提名信息。时序动作提名模型可以包括BSN(Boundary-Sensitive Network，边界敏感网络)模型和BMN(Boundary-Matching Network，边界匹配网络)模型。BSN模型可以包括时序评估模块(Temporal Evaluation Module，TEM)、提名生成模块(ProposalGenetation Module，PGM)和提名评估模块(Proposal Evaluation Module，PEM)。BMN模型可以包括基础模块(Base Module，BM)、时序评估模块(Temporal Evaluation Module，TEM)和提名评估模块。
根据本公开的实施例，时序动作提名模型可以是利用第三训练样本训练第三预定深度学习模型得到的。第三训练样本可以包括多个第一样本帧数据和与多个第一样本帧数据各自对应的第一真实样本动作提名区间。第三预定深度学习模型可以包括BMN模型或BSN模型。第一样本帧数据的时长可以是根据实际业务需求进行配置，在此不作限定。例如，第一样本帧数据的时长可以是根据第三预定深度学习模型的输入参数要求、第三预定深度学习模型的模型结构和事件场景包括的动作片段的时长的统计值中的至少一项确定的。例如，事件场景是足球比赛。第一样本帧数据的时长可以设置为40s。
根据本公开的实施例，时序动作提名模型可以是利用第二输出值训练第三预定深度学习模型得到的。第二输出值是基于第二损失函数，根据与多个第一样本帧数据各自对应的第一真实样本动作提名区间和第一预测样本动作提名区间确定的。时序动作提名模型可以是在根据第二输出值调整第三预定深度学习模型的模型参数，直至满足第二预定结束条件的情况下得到的第三预定深度学习模型确定的。可以将在满足第二预定结束条件的情况下得到的第三预定深度学习模型确定为时序动作提名模型。第二预定结束条件可以包括第二输出值收敛或达到第二最大训练轮次。
根据本公开的实施例，利用时序动作提名模型处理至少一个目标特征数据，得到至少一个第一候选动作提名信息，可以包括如下操作。
将多个目标帧数据进行划分，得到多个目标帧序列数据。相邻两个目标帧序列数据包括相同的目标帧数据。对与多个目标帧序列数据对应的目标特征数据进行时序动作提名，得到与多个目标帧数据对应的至少一个第二候选动作提名信息。根据与多个目标帧数据对应的至少一个第二候选动作提名信息，得到至少一个第一候选动作提名信息。
根据本公开的实施例，可以利用滑动窗口，对多个目标帧数据进行划分，得到多个目标帧序列数据。相邻两个滑动窗口之间可以具有重叠区域。目标帧序列数据可以包括多个目标帧数据。
根据本公开的实施例，针对多个目标帧序列数据中的每个目标帧序列数据，可以对与目标帧序列数据对应的多个目标特征数据进行时序动作提名，得到至少一个第二候选动作提名信息。例如，对与目标帧序列数据对应的多个目标帧数据进行时序动作提取，得到与多个目标帧数据各自对应的第二候选动作提名信息。
根据本公开的实施例，第二候选动作提名信息可以包括第三置信度和第四置信度。第三置信度表征目标帧数据为动作开始时刻的目标帧数据的概率值。第四置信度表征目标帧数据为动作结束时刻的目标帧数据的概率值。
根据本公开的实施例，根据与多个目标帧数据对应的第二候选动作提名信息，得到至少一个第一候选动作提名信息，可以包括如下操作。
根据与多个目标帧数据对应的至少一个第三置信度和至少一个第四置信度，从与多个目标帧数据对应的时刻中确定至少一个初选动作开始时刻和至少一个初选动作结束时刻。将至少一个初选动作开始时刻和至少一个初选动作结束时刻进行时长匹配，得到至少一个匹配时刻对。根据至少一个匹配时刻对，得到至少一个第一候选动作提名信息。
根据本公开的实施例，第二候选动作提名信息还可以包括目标帧数据是否包括动作的分类结果。
根据本公开的实施例，针对多个目标帧序列数据集中的每个目标帧序列数据，针对与目标帧序列数据包括的多个目标帧数据中的每个目标帧数据，根据与目标帧数据对应的至少一个第三置信度，确定与目标帧数据对应的第五置信度。根据与目标帧数据对应的至少一个第四置信度，确定与目标帧数据对应的第六置信度。根据与目标帧数据对应的第五置信度和第六置信度，确定与目标帧数据对应的第七置信度。
根据本公开的实施例，根据与目标帧数据对应的至少一个第三置信度，确定与目标帧数据对应的第五置信度，可以包括：根据与目标帧数据对应的至少一个第三置信度，确定与目标帧数据对应的第一平均置信度。将与目标帧数据对应的第一平均置信度确定为与目标帧数据对应的第五置信度。备选地，从与目标帧数据对应的至少一个第三置信度中确定最大第三置信度。将最大第三置信度确定为与目标帧数据对应的第五置信度。
根据本公开的实施例，根据与目标帧数据对应的至少一个第四置信度，确定与目标帧数据对应的第六置信度，可以包括：根据与目标帧数据对应的至少一个第四置信度，确定与目标帧数据对应的第二平均置信度。将与目标帧数据对应的第二平均置信度确定为与目标帧数据对应的第六置信度。备选地，从与目标帧数据对应的至少一个第四置信度中确定最大第四置信度。将最大第四置信度确定为与目标帧数据对应的第六置信度。
根据本公开的实施例，根据与目标帧数据对应的第六置信度和第七置信度，确定与目标帧数据对应的第七置信度，可以包括：从与目标帧数据对应的第五置信度和第六置信度中确定最大置信度，将与目标帧数据对应的最大置信度确定为与目标帧数据对应的第七置信度。
根据本公开的实施例，在确定第七置信度大于或等于第一预定置信度的情况下，如果确定与第七置信度对应的时刻是动作开始时刻，则将与第七置信度对应的时刻确定为初选动作开始时刻。如果确定与第七置信度对应的时刻是动作结束时刻，则将与第七置信度对应的时刻确定为初选动作结束时刻。第一预定置信度可以根据实际业务需求进行配置，在此不作限定。
根据本公开的实施例，在确定至少一个初选动作开始时刻和至少一个初选动作结束时刻之后，可以针对至少一个初选动作开始时刻中的每个初选动作开始时刻，从至少一个初选动作结束时刻中确定是否存在在初选动作开始时刻之后且与初选动作开始时刻之间的时间间隔相差预定时间间隔的初选动作结束时刻。在确定至少一个初选动作结束时刻中存在在初选动作开始时刻之后且与初选动作开始时刻之间的时间间隔相差预定时间间隔的目标初选动作结束时刻的情况下，将目标初选动作结束时刻和初选动作开始时刻确定为匹配时刻对。将匹配时刻对中的初选动作开始时刻确定为第一候选动作开始时刻。由此可以得到至少一个匹配时刻对。从至少一个匹配时刻对中确定至少一个目标匹配时刻对。将目标匹配时刻对中的初选动作开始时刻确定为第一候选动作开始时刻。将目标匹配时刻对中的目标初选动作结束时刻渠道为第一候选动作结束时刻。
根据本公开的实施例，根据至少一个匹配时刻对，得到至少一个第一候选动作提名信息，可以包括如下操作。
基于第二非极大抑制方法，根据至少一个匹配时刻对，得到至少一个第一候选动作提名信息。
根据本公开的实施例，可以利用第二非极大抑制方法从至少一个匹配时刻对中确定至少一个目标匹配时刻对。将目标匹配时刻对确定为第一候选动作提名信息。非极大抑制(Non-Maximum Suppression，NMS)方法可以包括Soft-NMS方法。
根据本公开的实施例，操作S230可以包括如下操作。
利用动作分类模型处理与至少一个第一候选动作提名区间对应的目标特征数据，得到与至少一个第一候选动作提名区间对应的至少一个分类置信度。
根据本公开的实施例，动作分类模型可以是利用输出值训练预定时序动作分类模型得到的。输出值是基于损失函数，根据与多个样本动作片段对应的真实动作类别、预测动作类别和完整性评估值确定的。完整性评估值用于评估样本动作片段的完整性。
根据本公开的实施例，预定时序动作分类模型可以根据实际业务需求进行配置，在此不作限定。例如，预定时序动作分类模型可以包括基于注意力机制和长短期记忆网络的模型。
根据本公开的实施例，与样本动作片段对应的完整性评估值可以是根据与样本动作片段对应的第二真实样本动作提名区间(即真实样本动作时段)和第二预测样本动作提名区间(即预测样本动作时段)确定的。例如，可以将与样本动作片段对应的第二真实样本动作提名区间与第二预测样本动作提名区间的交并比(Intersection over Union，IoU)确定为与样本动作片段对应的完整性评估值。与样本动作片段对应的第二预测样本动作提名区间可以是根据对与第二样本帧数据对应的样本特征数据进行时序动作提名得到的。
根据本公开的实施例，动作分类模型可以是在根据第三输出值(即输出值)调整预定时序动作分类模型的模型参数，直至满足第三预定结束条件的情况下得到的预定时序动作分类模型确定的。可以将在满足第三预定结束条件的情况下得到的预定时序动作分类模型确定为动作分类模型。第三预定结束条件可以包括第三输出值收敛或达到第三最大训练轮次。
根据本公开的实施例，通过将完整性评估值参与动作分类模型的训练，可以提高模型的训练速度和预测精度。
根据本公开的实施例，操作S240可以包括如下操作。
根据与至少一个第一候选动作提名区间对应的至少一个分类置信度，确定与至少一个第一候选动作区间对应的目标分类置信度。根据与至少一个第一候选动作提名区间对应的目标分类置信度，从至少一个第一候选动作提名区间中确定至少一个第二候选动作提名区间。基于第一非极大抑制方法，根据至少一个第二候选动作提名区间，得到至少一个第三候选动作提名区间。根据至少一个第三候选动作提名区间和与至少一个第三候选动作提取区间对应的目标分类置信度所表征的动作类别，确定目标资源包括的至少一个动作片段的动作检测结果。
根据本公开的实施例，可以针对至少一个第一候选动作提名区间中的每个第一候选动作提名区间，从与候选动作提名区间对应的至少一个分类置信度中确定最大分类置信度，将与候选动作提名区间对应的最大分类置信度确定为目标分类置信度。
根据本公开的实施例，可以利用第一非极大抑制方法从至少一个第二候选动作提名区间中确定至少一个第三候选动作提名区间。针对至少一个第三候选动作提名区间中的每个第三候选动作提名区间，将与第三候选动作提名区间对应的目标分类置信度所表征的动作类别，确定为与第三候选动作提名区间对应的动作类别。将第三候选动作提名区间包括的候选动作开始时刻确定为动作片段的动作开始时刻。将第三候选动作提名区间包括的候选动作结束时刻确定为动作片段的动作结束时刻。将与第三候选动作提名区间对应的动作类别确定为动作片段的动作类别。
根据本公开的实施例，根据与至少一个第一候选动作提名区间对应的目标分类置信度，从至少一个第一候选动作提名区间中确定至少一个第二候选动作提名区间，可以包括如下操作。
针对至少一个第一候选动作提名区间中的每个第一候选动作提名区间，在确定与第一候选动作提名区间对应的目标分类置信度大于或等于预定分类置信度的情况下，确定第一候选动作提名区间为第二候选动作提名区间。
根据本公开的实施例，预定分类置信度可以根据实际业务需求进行配置，在此不作限定。
根据本公开的实施例，根据与至少一个第一候选动作提名区间对应的目标分类置信度，从至少一个第一候选动作提名区间中确定至少一个第二候选动作提名区间，可以包括如下操作。
对与至少一个第一候选动作提名区间对应的目标分类置信度进行排序，得到排序结果。根据排序结果，从至少一个第一候选动作提名区间中确定至少一个第二候选动作提名区间。
根据本公开的实施例，可以对与至少一个第一候选动作提名区间各自对应的目标分类置信度进行排序，得到第一排序结果(即排序结果)。根据第一排序结果，从至少一个第一候选动作提名区间中确定预定数目的第一候选动作提名区间，得到至少一个第二候选动作提名区间。排序可以包括按照目标分类置信度由大到小，对至少一个第一候选动作提名区间进行排序或按照目标分类置信度由小到大，对至少一个第一候选动作提名区间进行排序。例如，如果按照目标分类置信度由小到大的顺序，则可以将排序靠后的预定数目的第一候选动作提名区间确定至少一个第二候选动作提名区间。
根据本公开的实施例，第一候选动作提名区间可以包括第一候选动作开始时刻和第一候选动作结束时刻。
根据本公开的实施例，第一候选动作提名信息还可以包括与第一候选动作开始时刻对应的第一置信度和与第一候选动作结束时刻对应的第二置信度。
根据本公开的实施例，操作S240可以包括如下操作。
根据与至少一个第一候选动作提名区间对应的至少一个分类置信度和完整性置信度，得到与至少一个第一候选动作提名区间对应的至少一个置信度。完整性置信度是根据与第一候选动作提名区间对应的第一置信度和第二置信度确定的。根据与至少一个第一候选动作提名区间对应的至少一个置信度，确定目标资源包括的至少一个动作片段的动作检测结果。
根据本公开的实施例，完整性置信度可以用于表征动作提名区间的完整性。动作提名区间的完整性可以用于表征动作片段的完整性。与第一候选动作提名区间对应的完整性置信度可以是根据与第一候选动作提名区间对应的第一置信度和第二置信度确定的。例如，与第一候选动作提名区间对应的完整性置信度可以是根据与第一候选动作提名区间对应的第三平均置信度确定的。第三平均置信度可以是第一置信度和第二置信度的平均值。
根据本公开的实施例，针对至少一个第一候选动作提名区间中的每个第一候选动作提名区间，从与第一候选动作提名区间对应的至少一个分类置信度中确定最大分类置信度。将与第一候选动作提名区间对应的最大分类置信度确定为与第一候选动作提名区间对应的目标分类置信度。根据与第一候选动作提名区间对应的目标分类置信度和完整性置信度，确定与第一候选动作提名区间对应的加权平均置信度。将与第一候选动作提名区间对应的加权平均置信度确定为与候选动作提名区间对应的置信度。
根据本公开的实施例，根据与至少一个第一候选动作提名区间对应的至少一个置信度，确定目标资源包括的至少一个动作片段的动作检测结果，可以包括：根据与至少一个第一候选动作提名区间对应的至少一个置信度，从至少一个第一候选动作提名区间中确定至少一个第四候选动作提名区间。基于第三非极大抑制方法，根据至少一个第四候选动作提名区间，得到至少一个第五候选动作提名区间。根据至少一个第五候选动作提名区间和与至少一个第五候选动作提取区间对应的目标分类置信度所表征的动作类别，确定目标资源包括的至少一个动作片段的动作检测结果。
根据本公开的实施例，根据与至少一个第一候选动作提名区间对应的至少一个置信度，从至少一个第一候选动作提名区间中确定至少一个第四候选动作提名区间，可以包括：针对至少一个第一候选动作提名区间中的每个第一候选动作提名区间，在确定与第一候选动作提名区间对应的置信度大于或等于第二预定置信度的情况下，确定第一候选动作提名区间为第四候选动作提名区间。第二预定置信度可以根据实际业务需求进行配置，在此不作限定。
根据本公开的实施例，根据与至少一个第一候选动作提名区间对应的至少一个置信度，从至少一个第一候选动作提名区间中确定至少一个第四候选动作提名区间，可以包括：对与至少一个第一候选动作提名区间对应的至少一个置信度进行排序，得到第二排序结果。根据第二排序结果，从至少一个第一候选动作提名区间中确定至少一个第四候选动作提名区间。
下面参考图3A、图3B、图3C和图3D，结合具体实施例对根据本公开所述的动作检测方法做进一步说明。
图3A示意性示出了根据本公开实施例的动作检测方法的示例示意图。
如图3A所示，在300A中，目标视频的目标视频数据301可以包括目标视频帧数据集3010和目标音频帧数据集3011。目标视频帧数据集3010可以包括目标视频帧数据3010_1、目标视频帧数据3010_2、......、目标视频帧数据3010_n、......、目标视频帧数据3010_(N-1)和目标视频帧数据3010_N。目标音频帧数据集3011可以包括目标音频帧数据3011_1、目标音频帧数据3011_2、......、目标音频帧数据3011_n、......、目标音频帧数据3011_(N-1)和目标音频帧数据3011_N。目标视频帧数据3010_n与目标音频帧数据3011_n相对应。N可以是大于1的整数。n∈{1，2，......，(N-1)，N}。
利用图像特征提取模型302处理目标视频帧数据集3010，得到目标图像特征数据集3040。目标图像特征数据集3040可以包括目标图像特征数据3040_1、目标图像特征数据3040_2、......、目标图像特征数据3040_n、......、目标图像特征数据3040_(N-1)和目标图像特征数据3040_N。利用音频特征提取模型303处理目标音频帧数据集3011，得到目标音频特征数据集3041。目标音频特征数据集3041可以包括目标音频特征数据3041_1、目标音频特征数据3041_2、......、目标音频特征数据3041_n、......、目标音频特征数据3041_(N-1)和目标音频特征数据3041_N。
对目标图像特征数据集3040和目标音频特征数据集3041进行融合，得到目标特征数据集305。目标特征数据集305可以包括目标特征数据305_1、目标特征数据305_2、......、目标特征数据305_n、......、目标特征数据305_(N-1)和目标特征数据305_N。目标特征数据305_n是将目标图像特征数据3040_n和目标音频特征数据3041_n进行拼接得到的。
利用时序动作提名模型306处理目标特征数据集305，得到第一候选动作提名信息集307。第一候选动作提名信息集307可以包括第一候选动作提名区间307_1、第一候选动作提名区间307_2、......、第一候选动作提名区间307_m、......、第一候选动作提名区间307_(M-1)和第一后的动作提名区间307_M。M可以是大于1且小于或等于M的整数。m∈{1，2，......，m，(M-1)，M}。
利用动作分类模型309处理与第一候选动作提名信息集307对应的目标特征数据集308，得到与第一候选动作提名区间307_m对应的至少一个分类置信度。目标特征数据集308可以包括目标特征数据3081、目标特征数据308_2、......、目标特征数据308_m、......、目标特征数据308_(M-1)和目标特征数据308_M。目标特征数据308_m是与第一候选动作提名区间307_m对应的目标特征数据。
根据与第一候选动作提名区间307_1对应的至少一个分类置信度、与第一候选动作提名区间307_2对应的至少一个分类置信度、......、与第一候选动作提名区间307_m对应的至少一个分类置信度、......、与第一候选动作提名区间307_(M-1)对应的至少一个分类置信度和与第一候选动作提名区间307_M对应的至少一个分类置信度，确定目标资源包括的至少一个动作片段的动作检测结果310。
下面参考图3B、图3C和图3D，结合具体实施例对将图3A所述的动作检测方法应用于不同场景进行说明。
图3B示意性示出了根据本公开实施例的在足球赛事精彩事件场景下的动作检测方法的示例示意图。
如图3B所示，在300B中，目标视频的目标视频数据311是足球赛“？？？？？？”中的视频数据。目标视频数据311可以包括目标视频帧数据集3110和目标音频帧数据集3111。
目标视频帧数据集3110可以包括目标视频帧数据3110_1、目标视频帧数据3110_2、目标视频帧数据3110_3和目标视频帧数据3110_4。目标视频帧数据3110_2是包括“点球动作”的视频帧数据。
目标音频帧数据集3111可以包括目标音频帧数据3111_1、目标音频帧数据3111_2、目标音频帧数据3111_3和目标音频帧数据3111_4。
利用图像特征提取模型312处理目标视频帧数据集3110，得到目标图像特征数据集。利用音频特征提取模型313处理目标音频帧数据集3111，得到目标音频特征数据集。
对目标图像特征数据集和目标音频特征数据集进行融合，得到目标特征数据集。
目标特征数据集依次经由时序动作提名模型314和动作分类模型315，得到动作检测结果316。时序动作提名模型314和动作分类模型315的处理过程可以参见上文相关部分的说明，在此不再赘述。动作检测结果316表征检测到足球赛事中的精彩事件是目标视频帧数据3110_2中的“点球动作”。
图3C示意性示出了根据本公开实施例的在影视精彩事件场景下的动作检测方法的示例示意图。
如图3C所示，在300C中，目标视频的目标视频数据317是电视剧“×××”中的视频数据。目标视频数据317可以包括目标视频帧数据集3170和目标音频帧数据集3171。
目标视频帧数据集3170可以包括目标视频帧数据3170_1和目标视频帧数据3170_2。目标视频帧数据3170_2是包括“发放奖品动作”的视频帧数据。
目标音频帧数据集3171可以包括目标音频帧数据3171_1和目标音频帧数据3117_2。
利用图像特征提取模型318处理目标视频帧数据集3170，得到目标图像特征数据集。利用音频特征提取模型319处理目标音频帧数据集3171，得到目标音频特征数据集。
对目标图像特征数据集和目标音频特征数据集进行融合，得到目标特征数据集。
目标特征数据集依次经由时序动作提名模型320和动作分类模型321，得到动作检测结果322。时序动作提名模型320和动作分类模型321的处理过程可以参见上文相关部分的说明，在此不再赘述。动作检测结果322表征检测到电视剧中的精彩事件是目标视频帧数据3170_2中的“发放奖品动作”。
图3D示意性示出了根据本公开实施例的在直播精彩事件场景下的动作检测方法的示例示意图。
如图3D所示，在300D中，目标视频的目标视频数据323是主题直播间“跳舞主题房”中的视频数据。目标视频数据323可以包括目标视频帧数据3230和目标视频帧数据3231。目标视频帧数据3230是包括“单腿旋转动作”的视频帧数据。
利用图像特征提取模型324处理目标视频数据323，得到目标图像特征数据集。
目标特征数据集依次经由时序动作提名模型325和动作分类模型326，得到动作检测结果327。时序动作提名模型325和动作分类模型326的处理过程可以参见上文相关部分的说明，在此不再赘述。动作检测结果327表征检测到主题直播间中的精彩事件是目标视频帧数据3230中的“单腿旋转动作”。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
以上仅是示例性实施例，但不限于此，还可以包括本领域已知的其他动作检测方法，只要能够实现针对任意时长的目标资源的动作检测即可。
图4示意性示出了根据本公开实施例的动作 测装置的框图。
如图4所示，动作检测装置400可以包括第一获得模块410、第二获得模块420、第三获得模块430和第一确定模块440。
第一获得模块410，用于对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据。
第二获得模块420，用于对至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息。第一候选动作提名信息包括第一候选动作提名区间。
第三获得模块430，用于对与至少一个第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个第一候选动作提名区间对应的至少一个分类置信度。
第一确定模块440，用于根据与第一候选动作提名区间对应的至少一个分类置信度，确定目标资源包括的至少一个动作片段的动作检测结果。动作检测结果包括动作类别和动作时段。
根据本公开的实施例，第一确定模块440可以包括第一确定子模块、第二确定子模块、第一获得子模块和第三确定子模块。
第一确定子模块，用于根据与至少一个第一候选动作提名区间对应的至少一个分类置信度，确定与至少一个第一候选动作区间对应的目标分类置信度。
第二确定子模块，用于根据与至少一个第一候选动作提名区间对应的目标分类置信度，从至少一个第一候选动作提名区间中确定至少一个第二候选动作提名区间。
第一获得子模块，用于基于第一非极大抑制方法，根据至少一个第二候选动作提名区间，得到至少一个第三候选动作提名区间。
第三确定子模块，用于根据至少一个第三候选动作提名区间和与至少一个第三候选动作提取区间对应的目标分类置信度所表征的动作类别，确定目标资源包括的至少一个动作片段的动作检测结果。
根据本公开的实施例，第二确定子模块可以包括第一确定单元。
第一确定单元，用于针对至少一个第一候选动作提名区间中的每个第一候选动作提名区间，在确定与第一候选动作提名区间对应的目标分类置信度大于或等于预定分类置信度的情况下，确定第一候选动作提名区间为第二候选动作提名区间。
根据本公开的实施例，第二确定子模块可以包括排序单元和第二确定单元。
排序单元，用于对与至少一个第一候选动作提名区间对应的目标分类置信度进行排序，得到排序结果。
第二确定单元，用于根据排序结果，从至少一个第一候选动作提名区间中确定至少一个第二候选动作提名区间。
根据本公开的实施例，第一候选动作提名区间包括第一候选动作开始时刻和第一候选动作结束时刻。
根据本公开的实施例，第一候选动作提名信息还包括与第一候选动作开始时刻对应的第一置信度和与第一候选动作结束时刻对应的第二置信度。
根据本公开的实施例，第一确定模块440可以包括第二获得子模块和第四确定子模块。
第二获得子模块，用于根据与至少一个第一候选动作提名区间对应的至少一个分类置信度和完整性置信度，得到与至少一个第一候选动作提名区间对应的至少一个置信度。完整性置信度是根据与第一候选动作提名区间对应的第一置信度和第二置信度确定的。
第四确定子模块，用于根据与至少一个第一候选动作提名区间对应的至少一个置信度，确定目标资源包括的至少一个动作片段的动作检测结果。
根据本公开的实施例，第三获得模块430可以包括第三获得子模块。
第三获得子模块，用于利用动作分类模型处理与至少一个第一候选动作提名区间对应的目标特征数据，得到与至少一个第一候选动作提名区间对应的至少一个分类置信度。
根据本公开的实施例，动作分类模型是利用输出值训练预定时序动作分类模型得到的。输出值是基于损失函数，根据与多个样本动作片段对应的真实动作类别、预测动作类别和完整性评估值确定的。完整性评估值用于评估样本动作片段的完整性。
根据本公开的实施例，目标资源包括目标视频。
根据本公开的实施例，第一获得模块410可以包括第四获得子模块、第五获得子模块和第六获得子模块。
第四获得子模块，用于对目标视频的多个目标视频帧数据进行图像特征提取，得到至少一个目标图像特征数据。
第五获得子模块，用于对目标视频的多个目标视频帧数据进行音频特征提取，得到至少一个目标音频特征数据。
第六获得子模块，用于对至少一个目标图像特征数据和至少一个目标音频特征数据进行融合，得到至少一个目标特征数据。
根据本公开的实施例，第四获得子模块可以包括第一获得单元。
第一获得单元，用于利用图像特征提取模型处理目标视频的多个目标视频帧数据，得到至少一个目标图像特征数据。图像特征提取模型是对预定视频理解模型进行训练得到的。
根据本公开的实施例，第二获得模块420可以包括第七获得子模块。
第七获得子模块，用于利用时序动作提名模型处理至少一个目标特征数据，得到至少一个第一候选动作提名信息。
根据本公开的实施例，第七获得子模块可以包括第二获得单元、第三获得单元和第四获得单元。
第二获得单元，用于将多个目标帧数据进行划分，得到多个目标帧序列数据。相邻两个目标帧序列数据包括相同的目标帧数据；
第三获得单元，用于对与多个目标帧序列数据对应的目标特征数据进行时序动作提名，得到与多个目标帧数据对应的至少一个第二候选动作提名信息。
第四获得单元，用于根据与多个目标帧数据对应的至少一个第二候选动作提名信息，得到至少一个第一候选动作提名信息。
根据本公开实施例，第二候选动作提名信息包括第三置信度和第四置信度。第三置信度表征目标帧数据为动作开始时刻的目标帧数据的概率值。第四置信度表征目标帧数据为动作结束时刻的目标帧数据的概率值。
根据本公开的实施例，第四获得单元可以包括确定子单元、第一获得子单元和第二获得子单元。
确定子单元，用于根据与多个目标帧数据对应的至少一个第三置信度和至少一个第四置信度，从与多个目标帧数据对应的时刻中确定至少一个初选动作开始时刻和至少一个初选动作结束时刻。
第一获得子单元，用于将至少一个初选动作开始时刻和至少一个初选动作结束时刻进行时长匹配，得到至少一个匹配时刻对。
第二获得子单元，用于根据至少一个匹配时刻对，得到至少一个第一候选动作提名信息。
根据本公开的实施例，第二获得子单元可以用于：基于第二非极大抑制方法，根据至少一个匹配时刻对，得到至少一个第一候选动作提名信息。
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。
根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例，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，计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。
图5示意性示出了根据本公开实施例的适于实现动作检测方法的电子设备的框图。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，电子设备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，还可存储电子设备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。
电子设备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允许电子设备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，例如动作检测方法。例如，在一些实施例中，动作检测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/或安装到电子设备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动作检测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)而被配置为执行动作检测方法。
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)、复杂可编程逻辑设备(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，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
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 (23)

1.一种动作检测方法，包括：
对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据；
对所述至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，其中，所述第一候选动作提名信息包括第一候选动作提名区间；
对与至少一个所述第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个所述第一候选动作提名区间对应的至少一个分类置信度；以及
根据与第一所述候选动作提名区间对应的至少一个分类置信度，确定所述目标资源包括的至少一个动作片段的动作检测结果，其中，所述动作检测结果包括动作类别和动作时段；
其中，所述目标资源包括目标视频；
其中，所述对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据，包括：
对所述目标视频的多个目标视频帧数据进行图像特征提取，得到至少一个目标图像特征数据；
对所述目标视频的多个目标视频帧数据进行音频特征提取，得到至少一个目标音频特征数据；以及
对所述至少一个目标图像特征数据和所述至少一个目标音频特征数据进行融合，得到所述至少一个目标特征数据；
其中，所述对所述至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，包括：
利用时序动作提名模型处理所述至少一个目标特征数据，得到所述至少一个第一候选动作提名信息，其中，所述时序动作提名模型包括边界匹配网络模型；
其中，所述对与至少一个所述第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个所述第一候选动作提名区间对应的至少一个分类置信度，包括：
利用动作分类模型处理与至少一个所述第一候选动作提名区间对应的目标特征数据，得到与至少一个所述第一候选动作提名区间对应的至少一个分类置信度，其中，所述动作分类模型是利用输出值训练预定时序动作分类模型得到的，所述预定时序动作分类模型包括基于注意力机制和长短期记忆网络的模型。
2.根据权利要求1所述的方法，其中，所述根据与第一所述候选动作提名区间对应的至少一个分类置信度，确定所述目标资源包括的至少一个动作片段的动作检测结果，包括：
根据与至少一个所述第一候选动作提名区间对应的至少一个分类置信度，确定与至少一个所述第一候选动作区间对应的目标分类置信度；
根据与至少一个所述第一候选动作提名区间对应的目标分类置信度，从至少一个所述第一候选动作提名区间中确定至少一个第二候选动作提名区间；
基于第一非极大抑制方法，根据所述至少一个第二候选动作提名区间，得到至少一个第三候选动作提名区间；以及
根据所述至少一个第三候选动作提名区间和与所述至少一个第三候选动作提取区间对应的目标分类置信度所表征的动作类别，确定所述目标资源包括的至少一个动作片段的动作检测结果。
3.根据权利要求2所述的方法，其中，所述根据与至少一个所述第一候选动作提名区间对应的目标分类置信度，从至少一个所述第一候选动作提名区间中确定至少一个第二候选动作提名区间，包括：
针对至少一个所述第一候选动作提名区间中的每个第一候选动作提名区间，在确定与所述第一候选动作提名区间对应的目标分类置信度大于或等于预定分类置信度的情况下，确定所述第一候选动作提名区间为所述第二候选动作提名区间。
4.根据权利要求2所述的方法，其中，所述根据与至少一个所述第一候选动作提名区间对应的目标分类置信度，从至少一个所述第一候选动作提名区间中确定至少一个第二候选动作提名区间，包括：
对与至少一个所述第一候选动作提名区间对应的目标分类置信度进行排序，得到排序结果；以及
根据所述排序结果，从至少一个所述第一候选动作提名区间中确定所述至少一个第二候选动作提名区间。
5.根据权利要求1～4中任一项所述的方法，其中，所述第一候选动作提名区间包括第一候选动作开始时刻和第一候选动作结束时刻；
其中，所述第一候选动作提名信息还包括与所述第一候选动作开始时刻对应的第一置信度和与所述第一候选动作结束时刻对应的第二置信度；
其中，所述根据与至少一个所述第一候选动作提名区间对应的至少一个分类置信度，确定所述目标资源包括的至少一个动作片段的动作检测结果，包括：
根据与至少一个所述第一候选动作提名区间对应的至少一个分类置信度和完整性置信度，得到与至少一个所述第一候选动作提名区间对应的至少一个置信度，其中，所述完整性置信度是根据与所述第一候选动作提名区间对应的第一置信度和第二置信度确定的；以及
根据与至少一个所述第一候选动作提名区间对应的至少一个置信度，确定所述目标资源包括的至少一个动作片段的动作检测结果。
6.根据权利要求1～5中任一项所述的方法，其中，
所述输出值是基于损失函数，根据与多个样本动作片段对应的真实动作类别、预测动作类别和完整性评估值确定的，所述完整性评估值用于评估所述样本动作片段的完整性。
7.根据权利要求1所述的方法，其中，所述对所述目标视频的多个目标视频帧数据进行图像特征提取，得到至少一个目标图像特征数据，包括：
利用图像特征提取模型处理所述目标视频的多个目标视频帧数据，得到所述至少一个目标图像特征数据，其中，所述图像特征提取模型是对预定视频理解模型进行训练得到的。
8.根据权利要求1所述的方法，其中，所述利用时序动作提名模型处理所述至少一个目标特征数据，得到所述至少一个第一候选动作提名信息，包括：
将所述多个目标帧数据进行划分，得到多个目标帧序列数据，其中，相邻两个所述目标帧序列数据包括相同的所述目标帧数据；
对与所述多个目标帧序列数据对应的目标特征数据进行时序动作提名，得到与所述多个目标帧数据对应的至少一个第二候选动作提名信息；以及
根据与所述多个目标帧数据对应的至少一个第二候选动作提名信息，得到所述至少一个第一候选动作提名信息。
9.根据权利要求8所述的方法，其中，所述第二候选动作提名信息包括第三置信度和第四置信度，所述第三置信度表征所述目标帧数据为动作开始时刻的目标帧数据的概率值，所述第四置信度表征所述目标帧数据为动作结束时刻的目标帧数据的概率值；
其中，所述根据与所述多个目标帧数据对应的至少一个第二候选动作提名信息，得到所述至少一个第一候选动作提名信息，包括：
根据与所述多个目标帧数据对应的至少一个第三置信度和至少一个第四置信度，从与所述多个目标帧数据对应的时刻中确定至少一个初选动作开始时刻和至少一个初选动作结束时刻；
将所述至少一个初选动作开始时刻和所述至少一个初选动作结束时刻进行时长匹配，得到至少一个匹配时刻对；以及
根据所述至少一个匹配时刻对，得到所述至少一个第一候选动作提名信息。
10.根据权利要求9所述的方法，其中，所述根据所述至少一个匹配时刻对，得到所述至少一个第一候选动作提名信息，包括：
基于第二非极大抑制方法，根据所述至少一个匹配时刻对，得到所述至少一个第一候选动作提名信息。
11.一种动作检测装置，包括：
第一获得模块，用于对目标资源的多个目标帧数据进行特征提取，得到至少一个目标特征数据；
第二获得模块，用于对所述至少一个目标特征数据进行时序动作提名，得到至少一个第一候选动作提名信息，其中，所述第一候选动作提名信息包括第一候选动作提名区间；
第三获得模块，用于对与至少一个所述第一候选动作提名区间对应的目标特征数据进行分类，得到与至少一个所述第一候选动作提名区间对应的至少一个分类置信度；以及
第一确定模块，用于根据与第一所述候选动作提名区间对应的至少一个分类置信度，确定所述目标资源包括的至少一个动作片段的动作检测结果，其中，所述动作检测结果包括动作类别和动作时段；
其中，所述目标资源包括目标视频；
其中，所述第一获得模块，包括：
第四获得子模块，用于对所述目标视频的多个目标视频帧数据进行图像特征提取，得到至少一个目标图像特征数据；
第五获得子模块，用于对所述目标视频的多个目标视频帧数据进行音频特征提取，得到至少一个目标音频特征数据；以及
第六获得子模块，用于对所述至少一个目标图像特征数据和所述至少一个目标音频特征数据进行融合，得到所述至少一个目标特征数据；
其中，所述第二获得模块，包括：
第七获得子模块，用于利用时序动作提名模型处理所述至少一个目标特征数据，得到所述至少一个第一候选动作提名信息，其中，所述时序动作提名模型包括边界匹配网络模型；
其中，所述第三获得模块，包括：
第三获得子模块，用于利用动作分类模型处理与至少一个所述第一候选动作提名区间对应的目标特征数据，得到与至少一个所述第一候选动作提名区间对应的至少一个分类置信度，其中，所述动作分类模型是利用输出值训练预定时序动作分类模型得到的，所述预定时序动作分类模型包括基于注意力机制和长短期记忆网络的模型。
12.根据权利要求11所述的装置，其中，所述第一确定模块，包括：
第一确定子模块，用于根据与至少一个所述第一候选动作提名区间对应的至少一个分类置信度，确定与至少一个所述第一候选动作区间对应的目标分类置信度；
第二确定子模块，用于根据与至少一个所述第一候选动作提名区间对应的目标分类置信度，从至少一个所述第一候选动作提名区间中确定至少一个第二候选动作提名区间；
第一获得子模块，用于基于第一非极大抑制方法，根据所述至少一个第二候选动作提名区间，得到至少一个第三候选动作提名区间；以及
第三确定子模块，用于根据所述至少一个第三候选动作提名区间和与所述至少一个第三候选动作提取区间对应的目标分类置信度所表征的动作类别，确定所述目标资源包括的至少一个动作片段的动作检测结果。
13.根据权利要求12所述的装置，其中，所述第二确定子模块，包括：
第一确定单元，用于针对至少一个所述第一候选动作提名区间中的每个第一候选动作提名区间，在确定与所述第一候选动作提名区间对应的目标分类置信度大于或等于预定分类置信度的情况下，确定所述第一候选动作提名区间为所述第二候选动作提名区间。
14.根据权利要求12所述的装置，其中，所述第二确定子模块，包括：
排序单元，用于对与至少一个所述第一候选动作提名区间对应的目标分类置信度进行排序，得到排序结果；以及
第二确定单元，用于根据所述排序结果，从至少一个所述第一候选动作提名区间中确定所述至少一个第二候选动作提名区间。
15.根据权利要求11～14中任一项所述的装置，其中，所述第一候选动作提名区间包括第一候选动作开始时刻和第一候选动作结束时刻；
其中，所述第一候选动作提名信息还包括与所述第一候选动作开始时刻对应的第一置信度和与所述第一候选动作结束时刻对应的第二置信度；
其中，所述第一确定模块，包括：
第二获得子模块，用于根据与至少一个所述第一候选动作提名区间对应的至少一个分类置信度和完整性置信度，得到与至少一个所述第一候选动作提名区间对应的至少一个置信度，其中，所述完整性置信度是根据与所述第一候选动作提名区间对应的第一置信度和第二置信度确定的；以及
第四确定子模块，用于根据与至少一个所述第一候选动作提名区间对应的至少一个置信度，确定所述目标资源包括的至少一个动作片段的动作检测结果。
16.根据权利要求11～15中任一项所述的装置，其中，所述输出值是基于损失函数，根据与多个样本动作片段对应的真实动作类别、预测动作类别和完整性评估值确定的，所述完整性评估值用于评估所述样本动作片段的完整性。
17.根据权利要求11所述的装置，其中，所述第四获得子模块，包括：
第一获得单元，用于利用图像特征提取模型处理所述目标视频的多个目标视频帧数据，得到所述至少一个目标图像特征数据，其中，所述图像特征提取模型是对预定视频理解模型进行训练得到的。
18.根据权利要求11所述的装置，其中，所述第七获得子模块，包括：
第二获得单元，用于将所述多个目标帧数据进行划分，得到多个目标帧序列数据，其中，相邻两个所述目标帧序列数据包括相同的所述目标帧数据；
第三获得单元，用于对与所述多个目标帧序列数据对应的目标特征数据进行时序动作提名，得到与所述多个目标帧数据对应的至少一个第二候选动作提名信息；以及
第四获得单元，用于根据与所述多个目标帧数据对应的至少一个第二候选动作提名信息，得到所述至少一个第一候选动作提名信息。
19.根据权利要求18所述的装置，其中，所述第二候选动作提名信息包括第三置信度和第四置信度，所述第三置信度表征所述目标帧数据为动作开始时刻的目标帧数据的概率值，所述第四置信度表征所述目标帧数据为动作结束时刻的目标帧数据的概率值；
其中，所述第四获得单元，包括：
确定子单元，用于根据与所述多个目标帧数据对应的至少一个第三置信度和至少一个第四置信度，从与所述多个目标帧数据对应的时刻中确定至少一个初选动作开始时刻和至少一个初选动作结束时刻；
第一获得子单元，用于将所述至少一个初选动作开始时刻和所述至少一个初选动作结束时刻进行时长匹配，得到至少一个匹配时刻对；以及
第二获得子单元，用于根据所述至少一个匹配时刻对，得到所述至少一个第一候选动作提名信息。
20.根据权利要求19所述的装置，其中，所述第二获得子单元，用于：
基于第二非极大抑制方法，根据所述至少一个匹配时刻对，得到所述至少一个第一候选动作提名信息。
21.一种电子设备，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1～10中任一项所述的方法。
22.一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1～10中任一项所述的方法。
23.一种计算机程序产品，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1～10中任一项所述的方法。
CN202210256181.9A 2022-03-15 2022-03-15 动作检测方法、动作检测装置、电子设备以及存储介质 Active CN114627556B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210256181.9A CN114627556B (zh) 2022-03-15 2022-03-15 动作检测方法、动作检测装置、电子设备以及存储介质
US18/088,082 US11741713B2 (en) 2022-03-15 2022-12-23 Method of detecting action, electronic device, and storage medium
EP22216478.2A EP4152180A3 (en) 2022-03-15 2022-12-23 Method of detecting action, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210256181.9A CN114627556B (zh) 2022-03-15 2022-03-15 动作检测方法、动作检测装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN114627556A CN114627556A (zh) 2022-06-14
CN114627556B true CN114627556B (zh) 2023-04-07

Family

ID=81901256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210256181.9A Active CN114627556B (zh) 2022-03-15 2022-03-15 动作检测方法、动作检测装置、电子设备以及存储介质

Country Status (3)

Country Link
US (1) US11741713B2 (zh)
EP (1) EP4152180A3 (zh)
CN (1) CN114627556B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205733B (zh) * 2022-06-17 2024-08-13 北京百度网讯科技有限公司 视频识别方法、装置、设备、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111327949A (zh) * 2020-02-28 2020-06-23 华侨大学 一种视频的时序动作检测方法、装置、设备及存储介质
CN111372123A (zh) * 2020-03-03 2020-07-03 南京信息工程大学 基于从局部到全局的视频时序片段提取方法
CN111433784A (zh) * 2018-03-22 2020-07-17 Oppo广东移动通信有限公司 用于检索视频时间段的方法和系统
CN112183588A (zh) * 2020-09-11 2021-01-05 上海商汤智能科技有限公司 视频处理方法及装置、电子设备及存储介质
CN112765377A (zh) * 2019-11-01 2021-05-07 微软技术许可有限责任公司 媒体流中的时段定位
CN114120242A (zh) * 2021-12-03 2022-03-01 山东山大鸥玛软件股份有限公司 一种基于时序特征的监控视频行为分析方法、系统及终端

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019057179A1 (zh) * 2017-09-22 2019-03-28 华为技术有限公司 一种基于点线特征的视觉slam方法和装置
US12056923B2 (en) * 2018-11-06 2024-08-06 Telefonaktiebolaget Lm Ericsson (Publ) Method for generating an augmented video
KR20210006971A (ko) * 2018-12-18 2021-01-19 구글 엘엘씨 지오로케이션 예측을 위한 시스템 및 방법
CN110263733B (zh) * 2019-06-24 2021-07-23 上海商汤智能科技有限公司 图像处理方法、提名评估方法及相关装置
US11836960B2 (en) * 2019-07-11 2023-12-05 Konica Minolta, Inc. Object detection device, object detection method, and program
CN110602526B (zh) * 2019-09-11 2021-09-21 腾讯科技（深圳）有限公司 视频处理方法、装置、计算机设备及存储介质
CN110852256B (zh) * 2019-11-08 2023-04-18 腾讯科技（深圳）有限公司 时序动作提名的生成方法、装置、设备及存储介质
CN112633384B (zh) * 2020-12-25 2022-11-01 北京百度网讯科技有限公司 基于图像识别模型的对象识别方法、装置和电子设备
US12033342B2 (en) * 2021-03-16 2024-07-09 Huawei Technologies Co., Ltd. Methods, systems and computer medium for scene-adaptive future depth prediction in monocular videos
US11967068B2 (en) * 2021-07-13 2024-04-23 International Business Machines Corporation Pre-NMS filtering using a heat map
CN113609948B (zh) * 2021-07-29 2023-09-05 华侨大学 一种视频时序动作的检测方法、装置及设备
US11769328B2 (en) * 2021-09-02 2023-09-26 Gracenote, Inc. Automated video segmentation
CN114120180B (zh) * 2021-11-12 2023-07-21 北京百度网讯科技有限公司 一种时序提名的生成方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111433784A (zh) * 2018-03-22 2020-07-17 Oppo广东移动通信有限公司 用于检索视频时间段的方法和系统
CN112765377A (zh) * 2019-11-01 2021-05-07 微软技术许可有限责任公司 媒体流中的时段定位
CN111327949A (zh) * 2020-02-28 2020-06-23 华侨大学 一种视频的时序动作检测方法、装置、设备及存储介质
CN111372123A (zh) * 2020-03-03 2020-07-03 南京信息工程大学 基于从局部到全局的视频时序片段提取方法
CN112183588A (zh) * 2020-09-11 2021-01-05 上海商汤智能科技有限公司 视频处理方法及装置、电子设备及存储介质
CN114120242A (zh) * 2021-12-03 2022-03-01 山东山大鸥玛软件股份有限公司 一种基于时序特征的监控视频行为分析方法、系统及终端

Also Published As

Publication number Publication date
US20230127015A1 (en) 2023-04-27
EP4152180A2 (en) 2023-03-22
US11741713B2 (en) 2023-08-29
CN114627556A (zh) 2022-06-14
EP4152180A3 (en) 2023-07-12

Similar Documents

Publication Publication Date Title
CN113378784B (zh) 视频标签推荐模型的训练方法和确定视频标签的方法
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
CN107704525A (zh) 视频搜索方法和装置
CN113971751A (zh) 训练特征提取模型、检测相似图像的方法和装置
JP7427627B2 (ja) ビデオセグメント抽出方法、ビデオセグメント抽出装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム
CN113779381B (zh) 资源推荐方法、装置、电子设备和存储介质
CN114267375B (zh) 音素检测方法及装置、训练方法及装置、设备和介质
JP2023535108A (ja) ビデオタグ推薦モデルのトレーニング方法及びビデオタグの決定方法、それらの装置、電子機器、記憶媒体及びコンピュータプログラム
CN114627556B (zh) 动作检测方法、动作检测装置、电子设备以及存储介质
CN115098729A (zh) 视频处理方法、样本生成方法、模型训练方法及装置
CN116611491A (zh) 目标检测模型的训练方法、装置、电子设备和存储介质
CN114419480A (zh) 一种多人身份和动作关联识别方法、装置及可读介质
CN115994266A (zh) 资源推荐方法、装置、电子设备和存储介质
CN115187899A (zh) 音视频同步判别方法、装置、电子设备及存储介质
CN114550300A (zh) 视频数据分析方法、装置、电子设备及计算机存储介质
CN113361519A (zh) 目标处理方法、目标处理模型的训练方法及其装置
CN113642495B (zh) 用于评价时序提名的模型的训练方法、设备、程序产品
CN114550236B (zh) 图像识别及其模型的训练方法、装置、设备和存储介质
CN114547417B (zh) 一种媒体资源排序方法及电子设备
CN115880776B (zh) 关键点信息的确定方法和离线动作库的生成方法、装置
CN113934918A (zh) 用于直播的搜索方法、装置、电子设备以及存储介质
CN116866669A (zh) 视频推荐方法、装置及计算机程序产品
CN117786209A (zh) 资源推荐方法、推荐模型的训练方法及装置
CN116189030A (zh) 视频处理及模型训练方法、装置、设备和存储介质
CN116320606A (zh) 视频处理方法、视频搜索方法、装置、电子设备、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