CN114648712A - 视频分类方法、装置、电子设备及计算机可读存储介质 - Google Patents

视频分类方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114648712A
CN114648712A CN202011509371.4A CN202011509371A CN114648712A CN 114648712 A CN114648712 A CN 114648712A CN 202011509371 A CN202011509371 A CN 202011509371A CN 114648712 A CN114648712 A CN 114648712A
Authority
CN
China
Prior art keywords
video
classification
video frame
category
frame
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
CN202011509371.4A
Other languages
English (en)
Other versions
CN114648712B (zh
Inventor
毛永波
孙文胜
韦晓全
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 ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202011509371.4A priority Critical patent/CN114648712B/zh
Publication of CN114648712A publication Critical patent/CN114648712A/zh
Application granted granted Critical
Publication of CN114648712B publication Critical patent/CN114648712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本公开实施例公开了一种视频分类方法、装置、电子设备和计算机可读存储介质。其中该视频分类方法包括：获取待分类视频的多个视频帧；对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；根据所述融合特征向量确定所述待分类视频的分类结果。上述方法通过结合对象外部视频帧以及对象内部视频帧的特征，解决了视频分类中由于单帧质量所导致的召回率和准确率低的技术问题。

Description

视频分类方法、装置、电子设备及计算机可读存储介质
技术领域
本公开涉及视频分类领域，尤其涉及一种视频分类方法、装置、电子设备及计算机可读存储介质。
背景技术
近几年，随着移动互联网的快速发展，短视频行业迅速崛起，由于其传播速度快，制作门槛低以及社交属性强能优点受到大量用户和创作者的青睐。为了更精准的为用户推荐相关内容，需要对每个视频进类别的标注，例如在汽车视频中，需要对视频所描述的车系进行标注。针对用户创作内容(user generated cintent,UGC)场景下的视频车系分类。
现有的技术是单帧识别后整合单帧结果得到视频结果。虽然该方案在识别准确率上能够满足大多数场景，但是对于单帧图片质量和抽帧频率要求较高。实时性要求较高的场景，往往会对图片质量和抽帧数进行压缩，从而减少传输时间，这也大大降低了现有技术的准确率和召回率。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决上述技术问题，本公开实施例提出如下技术方案。
第一方面，本公开实施例提供一种视频分类方法，包括：
获取待分类视频的多个视频帧；
对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
根据所述融合特征向量确定所述待分类视频的分类结果。
第二方面，本公开实施例提供一种融合特征分类模型的训练方法，包括：
获取所述样本视频的多个视频帧；
对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
在所述融合特征向量中随机加入噪声得到加强融合特征向量；
将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
第三方面，本公开实施例提供一种视频分类装置，包括：
待分类视频帧获取模块，用于获取待分类视频的多个视频帧；
第一分类模块，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第一特征提取模块，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
第二分类模块，用于根据所述融合特征向量确定所述待分类视频的分类结果。
第四方面，本公开实施例提供一种融合特征分类模型的训练装置，包括：
样本视频帧获取模块，用于获取所述样本视频的多个视频帧；
第二分类模块，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第二特征提取模块，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
数据加强模块，用于在所述融合特征向量中随机加入噪声得到加强融合特征向量；
预测模块，用于将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
参数更新模块，用于根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
第三方面，本公开实施例提供一种电子设备，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，所述存储器存储有能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前述第一方面中的任一所述的方法。
第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述第一方面中的任一所述的方法。
本公开实施例公开了一种视频分类方法、装置、电子设备和计算机可读存储介质。其中该视频分类方法包括：获取待分类视频的多个视频帧；对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；根据所述融合特征向量确定所述待分类视频的分类结果。上述方法通过结合对象外部视频帧以及对象内部视频帧的特征，解决了视频分类中由于单帧质量所导致的召回率和准确率低的技术问题。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的视频分类方法的流程示意图；
图2为本公开实施例提供的视频分类方法的进一步流程示意图；
图3为本公开实施例提供的视频分类方法的进一步流程示意图；
图4为本公开实施例提供的视频分类方法的进一步流程示意图；
图5为本公开实施例提供的视频分类方法的应用场景示意图；
图6为本公开实施例提供的融合特征分类模型的训练方法；
图7为本公开实施例提供的融合特征分类模型的训练方法的进一步流程示意图；
图8为本公开实施例提供的视频分类装置的实施例的结构示意图；
图9为本公开实施例提供的融合特征分类模型的训练装置的实施例的结构示意图；
图10为根据本公开实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例提供的视频分类方法实施例的流程图，本实施例提供的该视频分类方法可以由一视频分类装置来执行，该视频分类装置可以实现为软件，或者实现为软件和硬件的组合，该视频分类装置可以集成设置在视频分类系统中的某设备中，比如视频分类服务器或者视频分类终端设备中。如图1所示，该方法包括如下步骤：
步骤S101，获取待分类视频的多个视频帧；
其中，所述待分类视频可以为任何类型的视频。所述分类为所述待分类视频中的待分类对象的类型，如所述分类为汽车的车系类型，则所述分类表示所述待分类视频中包括所述汽车的车系，或者所述待分类视频的内容与所述车系相关。
可以理解的，所述待分类视频可以从预设位置读取，或者通过预设接口接收，如从预设的存储位置或者网络位置读取所述待分类视频，或者通过人机交互接口接收用户上传的待分类视频等等，在此不再赘述。
可选的，所述获取待分类视频的多个视频帧包括：根据抽帧频率对所述待分类视频进行抽帧得到所述多个视频帧。示例性的，对所述待分类视频按照2fps(Frame perSecond)的频率进行抽帧，得到视频帧序列I＝{I1,I2,……，In},其中n表示视频帧的数量。
可选的，为了后续方便对视频帧中的对象进行识别，在该步骤中还可以包括对所述视频帧进行预处理。示例性的，在该步骤中，将所述视频帧归一化到长宽分别为N和N大小，以方便后续处理。可以理解的，所述预处理可以包括任何预处理方式，在此不再赘述。
返回附图1，所述视频分类方法还包括，步骤S102，对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
其中，所述第一类别为将所述视频帧分类为包括所述对象的外部特征的对象外部视频帧和包括所述对象的内部特征的对象内部视频帧。示例性的，所述对象为汽车，则在该步骤中，将抽取的视频帧分为汽车外观视频帧和汽车内饰视频帧，其中由于汽车内饰中的汽车中控可以较为准确的反应一个汽车的车系，因此所述汽车内饰视频帧可以进一步包括汽车中控视频帧。
为了防止在视频帧中出现多个对象时，非目标对象占比太大所导致的误识别，可选的，如图2所示，所述步骤S102进一步包括：
步骤S201，对所述视频帧进行目标检测得到至少一个目标检测框；
步骤S202，根据所述目标检测框的置信度、目标检测框距离视频帧中心点的距离以及目标检测框的面积在视频帧中的占比计算所述目标框的综合置信度；
步骤S203，将综合置信度最大的目标检测框所对应的类别作为所述视频帧的第一类别。
其中，所述步骤S201可以通过预先训练好的目标检测模型执行。其中所述目标检测模型用于检测两个类别的视频帧，分别为对象外部和对象内部。具体的，若某一视频帧的检测结果为空，则表示该帧中没有包括对象，因此丢弃该帧。当某一帧的检测结果不为空，则目标检测模型输出至少一个目标检测框，示例性的，所述目标检测模型的输出表示为：B＝{B1,B2,......,Bm}，其中m表示在该帧中得到的目标检测框的数量。第k个目标检测框定义为Bk＝[xk,yk,wk,hk,ck,sk]或None，其中xk和yk分别表示目标检测框的左上角的横坐标和纵坐标，wk和hk分别表示目标检测框的宽和高，ck表示第一类别，sk表示所述目标检测框的置信度，None表示未检测到目标对象。
进一步的，在所述步骤S202中，使用以下公式(1)计算综合置信度：
Sk＝sk*dk*ak (1)
其中，dk∈(0,1]表示所述目标检测框的位置得分，目标检测框的中心点离视频帧的中心点越近，得分越高；示例性的，所述dk根据以下公式(2)计算得到：
dk＝max(|xk+wk/2-N/2|,|yk+hk/2-M/2|) (2)
其中，ak∈(0,1]表示所述目标检测框在视频帧中的面积占比，示例性的，所述ak根据以下公式(3)计算得到：
ak＝wk*hk/(M*N) (3)
在步骤S202中，计算模型输出的每个目标检测框的综合置信度，得到至少一个综合置信度。
在步骤S203中，将所述至少一个综合置信度根据大小进行排序，将综合置信度最大的目标检测框所对应的类别作为所述视频帧的第一类别。
在上述步骤S201-S203中，通过在目标检测时加入位置得分以及面积占比，使得靠近视频帧中间位置其面积较大的目标检测框的权重更大，使得在检测到多个目标检测框时，能够更加准确的对所述视频帧进行分类。
可以理解的，如果上述步骤S201中的返回结果为None，即空，则不执行后续的步骤S202和S203,直接返回该视频帧的类别为None。
可选的，所述步骤S201由一目标检测模型执行，即所述视频帧被输入所述目标检测模型，所述目标检测模型输出检测结果。可选的，所述目标检测模型为经过裁剪的RetinaNet模型，其通道数为RetinaNet模型的一半，且所述目标检测模型经过int8量化以及tensorRT加速。经过上述裁剪和优化，目标检测模型的检测速度加快，能够更好的适应实时检测的场景。
返回附图1，所述视频分类方法还包括，步骤S103，分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量。
可选的，所述步骤S103通过两个特征提取模型实现，具体的，所述S103包括：
步骤S301，将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
步骤S302，将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
步骤S303，将所述第一特征向量按照所述多个视频帧的顺序排列得到融合特征向量。
其中，所述对象外部特征提取模型为通过对象外部图片或视频帧预先训练好的用于提取对象外部特征的模型，如使用汽车各种角度的外观图片训练得到的提取汽车外观特征向量的模型；所述对象内部特征提取模型为通过对象内部图片或视频帧预先训练好的用于提取对象内部特征的模型，如使用汽车各种角度的中控图片训练得到的提取汽车中控特征向量的模型。其中，所述对象外部视频帧的第一特征向量和所述对象外部视频帧的第一特征向量的维度相同，即除了所提取的特征不同之外，两者可以看做同类型的特征向量，因此此后统一称为第一特征向量。
当所述步骤S102返回的第一类别为空时，将全零特征向量作为所述视频帧的第一特征向量。
在步骤S303中，将通过步骤S301、步骤S302得到的第一特征向量以及所述全零的第一特征向量按照视频帧的顺序进行排列，得到融合特征向量。示例性的，设Vi表示第i帧的第一特征向量，其中i∈[1,n],则融合特征向量可以表示为：
V＝{V1,V2,......Vn}
其中，每个Vi均为D维第一特征向量，则V为n*D维的融合特征向量。
可以理解的，为了处理速度更快，输入所述对象外部分类模型或对象内部分类模型的视频帧可以是在步骤S102中得到的目标检测框内的截取到的图像。
通过上述步骤S103，对对象外部视频帧和对象内部视频帧分别提取第一特征向量，并根据提取出的第一特征向量生成融合特征向量，使得特征提取更加精确，并且生成融合特征向量，使得后续分类时能够利用视频帧之间的关系，相较于单帧分类之后整合分类结果的方式分类结果更加准确。
返回附图1，所述视频分类方法还包括，步骤S104，根据所述融合特征向量确定所述待分类视频的分类结果。
可选的，在该步骤中，由于已经有了融合特征向量，可以直接通过对所述融合特征向量使用全连接层以及softmax层进行分类。
而为了分类更加准确，可以通过预先训练好的融合特征分类模型对所述融合特征向量进行特征转换之后再进行分类。由此，可选的，所述步骤S104包括：
将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果；其中，所述融合特征分类模型包括特征转换层和分类层，其中所述特征转换层用于将所述融合特征向量转换为类别差向量，所述分类层用于根据所述类别差向量计算所述待分类视频属于每个第二类别的概率值。
其中的特征转换层可以由多个其他子层实现，其用于计算所述融合特征向量与每个第二类别的残差以得到所述差别向量。所述分类层可以由全连接层和softmax层组成，所述差别向量通过全连接层计算之后输入softmax函数，计算得到所述待分类视频在每个第二类别上的概率值。由此得到待分类视频的分类结果。
可选的，所述将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果，包括：
步骤S401，将所述融合特征向量分别输入所述特征转换层的权重计算层和残差计算层；
步骤S402，所述权重计算层用于根据所述融合特征向量计算所述多个视频帧属于每个第二类别的权重值；
步骤S403，所述残差计算层用于计算融合特征向量与每个第二类别的中心特征向量的残差值；
步骤S404，根据所述权重值和所述残差值计算得到所述类别差向量；
步骤S405，根据所述类别差向量确定所述待分类视频的分类结果。
其中，所述权重计算层包括卷积层和softmax层。其中卷积层用于将所述融合特征向量进行特征提取转换，将其转换为预定格式的特征，示例性的，所述卷积层表示为conv(w,b)，其中w和b表示卷积层的参数，其通过1*1的卷积操作，将n*D维的融合特征向量转换为1*1*D*K的向量，其中K表示所述第二类别的数量，如K＝5，表示模型最多能够进行5个第二类别的分类。之后将所述预定格式的特征，如上述1*1*D*C的向量，输入softmax层，得到每个视频帧属于每个第二类别的权重值。所述权重值可以表示为：
Figure BDA0002845915790000082
其表示为第i帧视频帧属于第c类第二类别的概率值。
在步骤S403中，通过以下计算方式计算所述残差值：
Vi(j)-Cc(j)
其中Vi为D维特征向量，用于表示所述融合特征向量中的第i帧的第一特征向量；Cc也是一个D维特征向量，用于表示类别为c的第二分类的聚类中心。
在步骤S404中，使用所述权重值与其对应的残差值才进行乘和计算得到所述类别差向量。示例性的，所述类别差向量使用以下公式(1)计算得到：
Figure BDA0002845915790000081
其中，c∈K,j∈D。
由此可以得到所述融合特征向量与每个第二类别的中心的类别差向量。以上述实例为例，所述类别差向量为一个K*D维的特征向量。
之后，在步骤S405中可以直接将所述类别差向量输入分类层得到所述视频帧的分类结果。
然而为了处理速度更快，还可以对所类别差向量做归一化处理。可选的，所述步骤S404，进一步包括：
根据所述权重值和所述残差值计算得到每个第二类别的差值向量；
将所述每个第二类别的差值向量所组成的向量做二范式归一化得到所述类别差向量。
上述归一化操作中，将每个第二类别的差值向量所组成的向量放在一起进行二范式归一化，而不是对每个第二类比的差值向量分别作归一化，使得不同聚类中心的差异性得到保留，能够提升分类的准确性。另外，经过归一化处理之后得到类别差向量更便于后续分类层的计算，使得计算速度加快。
图5为上述实施例中的视频分类方法的一个应用场景。如图5所示，所述应用场景为视频的车系分类，其通过视频中的汽车外观和汽车中控视频帧对视频进行分类。如图5所示，首先对视频进行抽帧和预处理；对预处理之后的视频帧进行目标检测分类，分为外观帧和中控帧，将外观帧输入外观特征提取模型进行特征提取得到第一特征向量，将中控帧输入中控特征提取模型进行特征提取得到第一特征向量；之后将得到第一特征向量进行融合得到多帧的融合特征向量，并在该融合特征向量的基础上进行分类。具体每一步的实现过程可以参考上述实施例中的描述。在该应用场景中，结合了视频中的汽车外观的特征、汽车中控的特征，并将其融合增强了视频帧之间的关系，相较于通过单帧识别，上述方法提升了在视频帧质量低的情况下的视频分类的召回率以及准确率。
本公开实施例公开了一种视频分类方法，该视频分类方法包括：获取待分类视频的多个视频帧；对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；根据所述融合特征向量确定所述待分类视频的分类结果。上述方法通过结合对象外部视频帧以及对象内部视频帧的特征，解决了视频分类中由于单帧质量所导致的召回率和准确率低的技术问题。
图6为本公开实施例提供的一种融合特征分类模型的训练方法。该方法提升融合特征分类模型的泛化能力。如图6所示，所述融合特征分类模型的训练方法包括：
步骤S601，获取所述样本视频的多个视频帧；
步骤S602，对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
步骤S603，分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
步骤S604，在所述融合特征向量中随机加入噪声得到加强融合特征向量；
步骤S605，将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
步骤S606，根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
其中步骤S601-步骤S603，与步骤S101-步骤S103对应，其处理步骤相同，这里只是将待分类视频换为样本视频，所述样本视频为训练集合中的样本数据，所述训练集合中包括样本视频以及所述样本视频的标签类别。
为了增强模型的泛化能力，提升模型的分类准确性，在步骤S604中，在所述融合特征向量中随机加入噪声，以使得训练好的模型能够具备一定的纠错能力或抗干扰能力，使得对压缩传输之后的视频进行分类时能够得到更好的效果。
可选的，所述步骤S604进一步包括：
步骤S701，生成服从标准正态分布的噪声向量，其中所述噪声向量与所述融合特征向量的维度相同；
步骤S702，获取噪声比例参数；
步骤S703，根据所述噪声比例参数计算所述噪声向量与所述融合特征向量的和得到所述加强融合特征向量。
上述融合特征向量为n*D维向量，则在步骤S701中，生成服从标准正态分布的n*D维随机矩阵X，其中X中的每个元素值均在0和1之间。上述噪声比例参数为预设的参数，用于控制噪声在最终的加强融合特征向量中的比例。
在上述步骤S703中，使用所述噪声比例参数对噪声向量的比例进行控制之后与所述融合特征向量相加得到所述加强融合特征向量。可选的，可以使用以下公式(2)计算所述加强融合特征向量：
Figure BDA0002845915790000101
其中，V为融合特征向量，X为噪声向量，max(X)为噪声向量中的最大元素，min(X)为噪声向量中的最小元素，max(V)为融合特征向量中的最大元素，min(V)为融合特征向量中的最小元素。L为噪声比例参数，其中0＜L≤1，示例性的L＝0.3。
在得到带有噪声的加强融合特征向量之后，将其输入融合特征分类模型对所述模型进行训练，训练过程与通常训练模型的过程相同。示例性的，通过模型的softmax层计算得到预测的分类结果，之后将所述预测分类结果与所述样本视频的分类标签计算交叉熵损失，之后反向传播更新所述融合特征分类模型的参数。之后，通过训练集合中的其他样本视频继续迭代执行上述更新模型参数的过程，直到达到训练目的，如迭代次数超过预设的次数或者所述交叉熵损失小于阈值，得到训练好的融合特征分类模型。在上述视频分类的实施例中的步骤S104，即可使用通过上述融合特征分类模型的训练方法实施例训练得到的融合特征分类模型执行。
在上文中，虽然按照上述的顺序描述了上述方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。
图8为本公开实施例提供的视频分类装置实施例的结构示意图。如图8所示，该装置800包括：待分类视频帧获取模块801、第一分类模块802、第一特征提取模块803和第二分类模块804。其中，
待分类视频帧获取模块801，用于获取待分类视频的多个视频帧；
第一分类模块802，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第一特征提取模块803，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
第二分类模块804，用于根据所述融合特征向量确定所述待分类视频的分类结果。
进一步的，所述第一分类模块802，还用于：
对所述视频帧进行目标检测得到至少一个目标检测框；
根据所述目标检测框的置信度、目标检测框距离视频帧中心点的距离以及目标检测框的面积在视频帧中的占比计算所述目标框的综合置信度；
将综合置信度最大的目标检测框所对应的类别作为所述视频帧的第一类别。
进一步的，所述对所述视频帧进行目标检测得到至少一个目标检测框由目标检测模型执行，其中所述目标检测模型为经过裁剪的RetinaNet模型，其通道数为RetinaNet模型的一半，且所述目标检测模型经过int8量化以及tensorRT加速。
进一步的，所述第一特征提取模块803，还用于：
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述第一特征向量按照所述多个视频帧的顺序排列得到融合特征向量。
进一步的，当所述视频帧的第一类别为空时，将全零特征向量作为所述视频帧的第一特征向量。
进一步的，所述第二分类模块804还用于：
将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果；其中，所述融合特征分类模型包括特征转换层和分类层，其中所述特征转换层用于将所述融合特征向量转换为类别差向量，所述分类层用于根据所述类别差向量计算所述待分类视频属于每个第二类别的概率值。
进一步的，所述第二分类模块804还用于：
将所述融合特征向量分别输入所述特征转换层的权重计算层和残差计算层；
所述权重计算层用于根据所述融合特征向量计算所述多个视频帧属于每个第二类别的权重值；
所述残差计算层用于计算融合特征向量与每个第二类别的中心特征向量的残差值；
根据所述权重值和所述残差值计算得到所述类别差向量；
根据所述类别差向量确定所述待分类视频的分类结果。
进一步的，所述第二分类模块804还用于：
根据所述权重值和所述残差值计算得到每个第二类别的差值向量；
将所述每个第二类别的差值向量所组成的向量做二范式归一化得到所述类别差向量。
图8所示装置可以执行图1-图5所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图5所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图5所示实施例中的描述，在此不再赘述。
图9为本公开实施例提供的融合特征分类模型的训练装置实施例的结构示意图。如图9所示，该装置900包括：样本视频帧获取模块901、第二分类模块902、第二特征提取模块903、数据加强模块904、预测模块905和参数更新模块906。其中，
样本视频帧获取模块901，用于获取所述样本视频的多个视频帧；
第二分类模块902，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第二特征提取模块903，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
数据加强模块904，用于在所述融合特征向量中随机加入噪声得到加强融合特征向量；
预测模块905，用于将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
参数更新模块906，用于根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
进一步的，所述数据加强模块904，还用于：
生成服从标准正态分布的噪声向量，其中所述噪声向量与所述融合特征向量的维度相同；
获取噪声比例参数；
根据所述噪声比例参数计算所述噪声向量与所述融合特征向量的和得到所述加强融合特征向量。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备1000的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常，以下装置可以连接至I/O接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：执行上述实施例中的任一方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，提供了一种视频分类方法，包括：
获取待分类视频的多个视频帧；
对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
根据所述融合特征向量确定所述待分类视频的分类结果。
进一步的，所述对所述多个视频帧进行分类得到所述多个视频帧的第一类别，包括：
对所述视频帧进行目标检测得到至少一个目标检测框；
根据所述目标检测框的置信度、目标检测框距离视频帧中心点的距离以及目标检测框的面积在视频帧中的占比计算所述目标框的综合置信度；
将综合置信度最大的目标检测框所对应的类别作为所述视频帧的第一类别。
进一步的，所述对所述视频帧进行目标检测得到至少一个目标检测框由目标检测模型执行，其中所述目标检测模型为经过裁剪的RetinaNet模型，其通道数为RetinaNet模型的一半，且所述目标检测模型经过int8量化以及tensorRT加速。
进一步的，所述分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量，包括：
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述第一特征向量按照所述多个视频帧的顺序排列得到融合特征向量。
进一步的，当所述视频帧的第一类别为空时，将全零特征向量作为所述视频帧的第一特征向量。
进一步的，所述根据所述融合特征向量确定所述待分类视频的分类结果，包括：
将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果；其中，所述融合特征分类模型包括特征转换层和分类层，其中所述特征转换层用于将所述融合特征向量转换为类别差向量，所述分类层用于根据所述类别差向量计算所述待分类视频属于每个第二类别的概率值。
进一步的，所述将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果，包括：
将所述融合特征向量分别输入所述特征转换层的权重计算层和残差计算层；
所述权重计算层用于根据所述融合特征向量计算所述多个视频帧属于每个第二类别的权重值；
所述残差计算层用于计算融合特征向量与每个第二类别的中心特征向量的残差值；
根据所述权重值和所述残差值计算得到所述类别差向量；
根据所述类别差向量确定所述待分类视频的分类结果。
进一步的，所述根据所述权重值和所述残差值计算得到所述类别差向量，包括：
根据所述权重值和所述残差值计算得到每个第二类别的差值向量；
将所述每个第二类别的差值向量所组成的向量做二范式归一化得到所述类别差向量。
根据本公开的一个或多个实施例，提供了一种融合特征分类模型的训练方法，包括：
获取所述样本视频的多个视频帧；
对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
在所述融合特征向量中随机加入噪声得到加强融合特征向量；
将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
进一步的，所述在所述融合特征向量中随机加入噪声得到加强融合特征向量，包括：
生成服从标准正态分布的噪声向量，其中所述噪声向量与所述融合特征向量的维度相同；
获取噪声比例参数；
根据所述噪声比例参数计算所述噪声向量与所述融合特征向量的和得到所述加强融合特征向量。
根据本公开的一个或多个实施例，提供了一种视频分类装置，包括：
待分类视频帧获取模块，用于获取待分类视频的多个视频帧；
第一分类模块，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第一特征提取模块，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
第二分类模块，用于根据所述融合特征向量确定所述待分类视频的分类结果。
进一步的，所述第一分类模块，还用于：
对所述视频帧进行目标检测得到至少一个目标检测框；
根据所述目标检测框的置信度、目标检测框距离视频帧中心点的距离以及目标检测框的面积在视频帧中的占比计算所述目标框的综合置信度；
将综合置信度最大的目标检测框所对应的类别作为所述视频帧的第一类别。
进一步的，所述对所述视频帧进行目标检测得到至少一个目标检测框由目标检测模型执行，其中所述目标检测模型为经过裁剪的RetinaNet模型，其通道数为RetinaNet模型的一半，且所述目标检测模型经过int8量化以及tensorRT加速。
进一步的，所述第一特征提取模块，还用于：
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述第一特征向量按照所述多个视频帧的顺序排列得到融合特征向量。
进一步的，当所述视频帧的第一类别为空时，将全零特征向量作为所述视频帧的第一特征向量。
进一步的，所述第二分类模块还用于：
将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果；其中，所述融合特征分类模型包括特征转换层和分类层，其中所述特征转换层用于将所述融合特征向量转换为类别差向量，所述分类层用于根据所述类别差向量计算所述待分类视频属于每个第二类别的概率值。
进一步的，所述第二分类模块还用于：
将所述融合特征向量分别输入所述特征转换层的权重计算层和残差计算层；
所述权重计算层用于根据所述融合特征向量计算所述多个视频帧属于每个第二类别的权重值；
所述残差计算层用于计算融合特征向量与每个第二类别的中心特征向量的残差值；
根据所述权重值和所述残差值计算得到所述类别差向量；
根据所述类别差向量确定所述待分类视频的分类结果。
进一步的，所述第二分类模块还用于：
根据所述权重值和所述残差值计算得到每个第二类别的差值向量；
将所述每个第二类别的差值向量所组成的向量做二范式归一化得到所述类别差向量。
根据本公开的一个或多个实施例，提供了一种融合特征分类模型的训练装置，包括：
样本视频帧获取模块，用于获取所述样本视频的多个视频帧；
第二分类模块，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第二特征提取模块，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
数据加强模块，用于在所述融合特征向量中随机加入噪声得到加强融合特征向量；
预测模块，用于将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
参数更新模块，用于根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
进一步的，所述数据加强模块，还用于：
生成服从标准正态分布的噪声向量，其中所述噪声向量与所述融合特征向量的维度相同；
获取噪声比例参数；
根据所述噪声比例参数计算所述噪声向量与所述融合特征向量的和得到所述加强融合特征向量。
根据本公开的一个或多个实施例，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，所述存储器存储有能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前述实施例中的任一所述方法。
根据本公开的一个或多个实施例，提供了一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述实施例中的任一所述方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种视频分类方法，其特征在于，包括：
获取待分类视频的多个视频帧；
对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
根据所述融合特征向量确定所述待分类视频的分类结果。
2.如权利要求1所述的视频分类方法，其特征在于，所述对所述多个视频帧进行分类得到所述多个视频帧的第一类别，包括：
对所述视频帧进行目标检测得到至少一个目标检测框；
根据所述目标检测框的置信度、目标检测框距离视频帧中心点的距离以及目标检测框的面积在视频帧中的占比计算所述目标框的综合置信度；
将综合置信度最大的目标检测框所对应的类别作为所述视频帧的第一类别。
3.如权利要求2所述的视频分类方法，其中所述对所述视频帧进行目标检测得到至少一个目标检测框由目标检测模型执行，其中所述目标检测模型为经过裁剪的RetinaNet模型，其通道数为RetinaNet模型的一半，且所述目标检测模型经过int8量化以及tensorRT加速。
4.如权利要求1-3任意一项所述的视频分类方法，其特征在于，所述分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量，包括：
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述对象外部视频帧输入对象外部特征提取模型得到所述对象外部视频帧的第一特征向量；
将所述第一特征向量按照所述多个视频帧的顺序排列得到融合特征向量。
5.如权利要求4所述的视频分类方法，其特征在于：
当所述视频帧的第一类别为空时，将全零特征向量作为所述视频帧的第一特征向量。
6.如权利要求5所述的视频分类方法，其特征在于，所述根据所述融合特征向量确定所述待分类视频的分类结果，包括：
将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果；其中，所述融合特征分类模型包括特征转换层和分类层，其中所述特征转换层用于将所述融合特征向量转换为类别差向量，所述分类层用于根据所述类别差向量计算所述待分类视频属于每个第二类别的概率值。
7.如权利要求6所述的视频分类方法，其特征在于，所述将所述融合特征向量输入融合特征分类模型得到所述待分类视频的分类结果，包括：
将所述融合特征向量分别输入所述特征转换层的权重计算层和残差计算层；
所述权重计算层用于根据所述融合特征向量计算所述多个视频帧属于每个第二类别的权重值；
所述残差计算层用于计算融合特征向量与每个第二类别的中心特征向量的残差值；
根据所述权重值和所述残差值计算得到所述类别差向量；
根据所述类别差向量确定所述待分类视频的分类结果。
8.如权利要求7所述的视频分类方法，其特征在于，所述根据所述权重值和所述残差值计算得到所述类别差向量，包括：
根据所述权重值和所述残差值计算得到每个第二类别的差值向量；
将所述每个第二类别的差值向量所组成的向量做二范式归一化得到所述类别差向量。
9.一种融合特征分类模型的训练方法，其特征在于，包括：
获取所述样本视频的多个视频帧；
对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
在所述融合特征向量中随机加入噪声得到加强融合特征向量；
将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
10.如权利要求9所述的融合特征分类模型的训练方法，其特征在于，所述在所述融合特征向量中随机加入噪声得到加强融合特征向量，包括：
生成服从标准正态分布的噪声向量，其中所述噪声向量与所述融合特征向量的维度相同；
获取噪声比例参数；
根据所述噪声比例参数计算所述噪声向量与所述融合特征向量的和得到所述加强融合特征向量。
11.一种视频分类装置，其特征在于，包括：
待分类视频帧获取模块，用于获取待分类视频的多个视频帧；
第一分类模块，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第一特征提取模块，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
第二分类模块，用于根据所述融合特征向量确定所述待分类视频的分类结果。
12.一种融合特征分类模型的训练装置，其特征在于，包括：
样本视频帧获取模块，用于获取所述样本视频的多个视频帧；
第二分类模块，用于对所述多个视频帧进行分类得到所述多个视频帧的第一类别，其中所述第一类别包括对象外部视频帧和对象内部视频帧；
第二特征提取模块，用于分别对所述对象外部视频帧和所述对象内部视频帧进行特征提取得到与所述多个视频帧对应的融合特征向量；
数据加强模块，用于在所述融合特征向量中随机加入噪声得到加强融合特征向量；
预测模块，用于将所述加强融合特征向量输入融合特征分类模型得到预测分类结果；
参数更新模块，用于根据所述预测分类结果和所述样本视频的标签类别更新所述融合特征分类模型的参数。
13.一种电子设备，包括：
存储器，用于存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现根据权利要求1-10中任意一项所述的方法。
14.一种非暂态计算机可读存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-10中任意一项所述的方法。
CN202011509371.4A 2020-12-18 2020-12-18 视频分类方法、装置、电子设备及计算机可读存储介质 Active CN114648712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011509371.4A CN114648712B (zh) 2020-12-18 2020-12-18 视频分类方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011509371.4A CN114648712B (zh) 2020-12-18 2020-12-18 视频分类方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114648712A true CN114648712A (zh) 2022-06-21
CN114648712B CN114648712B (zh) 2023-07-28

Family

ID=81990916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011509371.4A Active CN114648712B (zh) 2020-12-18 2020-12-18 视频分类方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114648712B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912596A (zh) * 2023-08-04 2023-10-20 无锡学院 一种多源数据归一化处理与融合的方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093183A (zh) * 2011-10-27 2013-05-08 索尼公司 分类器生成装置和方法、视频检测装置和方法及视频监控系统
US20180053057A1 (en) * 2016-08-18 2018-02-22 Xerox Corporation System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
US20180239975A1 (en) * 2015-08-31 2018-08-23 Sri International Method and system for monitoring driving behaviors
CN108763325A (zh) * 2018-05-04 2018-11-06 北京达佳互联信息技术有限公司 一种网络对象处理方法及装置
CN109145840A (zh) * 2018-08-29 2019-01-04 北京字节跳动网络技术有限公司 视频场景分类方法、装置、设备及存储介质
US20190108613A1 (en) * 2017-10-06 2019-04-11 Ford Global Technologies, Llc Fusion Of Motion And Appearance Features For Object Detection And Trajectory Prediction
WO2019175285A1 (en) * 2018-03-14 2019-09-19 Five AI Limited Vehicle localization
CN110378210A (zh) * 2019-06-11 2019-10-25 江苏大学 一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法
CN110796204A (zh) * 2019-11-01 2020-02-14 腾讯科技（深圳）有限公司 视频标签确定方法、装置和服务器
CN110837579A (zh) * 2019-11-05 2020-02-25 腾讯科技（深圳）有限公司 视频分类方法、装置、计算机以及可读存储介质
CN110909651A (zh) * 2019-11-15 2020-03-24 腾讯科技（深圳）有限公司 视频主体人物的识别方法、装置、设备及可读存储介质
CN111209970A (zh) * 2020-01-08 2020-05-29 Oppo（重庆）智能科技有限公司 视频分类方法、装置、存储介质及服务器
CN111325204A (zh) * 2020-01-21 2020-06-23 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质
WO2020177722A1 (zh) * 2019-03-06 2020-09-10 腾讯科技（深圳）有限公司 一种视频分类的方法、模型训练的方法、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093183A (zh) * 2011-10-27 2013-05-08 索尼公司 分类器生成装置和方法、视频检测装置和方法及视频监控系统
US20180239975A1 (en) * 2015-08-31 2018-08-23 Sri International Method and system for monitoring driving behaviors
US20180053057A1 (en) * 2016-08-18 2018-02-22 Xerox Corporation System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture
US20190108613A1 (en) * 2017-10-06 2019-04-11 Ford Global Technologies, Llc Fusion Of Motion And Appearance Features For Object Detection And Trajectory Prediction
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
WO2019175285A1 (en) * 2018-03-14 2019-09-19 Five AI Limited Vehicle localization
CN108763325A (zh) * 2018-05-04 2018-11-06 北京达佳互联信息技术有限公司 一种网络对象处理方法及装置
CN109145840A (zh) * 2018-08-29 2019-01-04 北京字节跳动网络技术有限公司 视频场景分类方法、装置、设备及存储介质
WO2020177722A1 (zh) * 2019-03-06 2020-09-10 腾讯科技（深圳）有限公司 一种视频分类的方法、模型训练的方法、设备及存储介质
CN110378210A (zh) * 2019-06-11 2019-10-25 江苏大学 一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法
CN110796204A (zh) * 2019-11-01 2020-02-14 腾讯科技（深圳）有限公司 视频标签确定方法、装置和服务器
CN110837579A (zh) * 2019-11-05 2020-02-25 腾讯科技（深圳）有限公司 视频分类方法、装置、计算机以及可读存储介质
CN110909651A (zh) * 2019-11-15 2020-03-24 腾讯科技（深圳）有限公司 视频主体人物的识别方法、装置、设备及可读存储介质
CN111209970A (zh) * 2020-01-08 2020-05-29 Oppo（重庆）智能科技有限公司 视频分类方法、装置、存储介质及服务器
CN111325204A (zh) * 2020-01-21 2020-06-23 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUTING HE: "Multi-Domain Learning and Identity Mining for Vehicle Re-Identification", 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS (CVPRW), pages 2485 - 2493 *
卞建勇: "基于C4.5决策树的视频车辆车型分类算法", 微电子学与计算机, pages 104 - 109 *
吴彤: "基于车辆侧向特征的视频监控车型分类的研究", 仪表技术, pages 29 - 32 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912596A (zh) * 2023-08-04 2023-10-20 无锡学院 一种多源数据归一化处理与融合的方法及系统
CN116912596B (zh) * 2023-08-04 2024-03-22 无锡学院 一种多源数据归一化处理与融合的方法及系统

Also Published As

Publication number Publication date
CN114648712B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111476309B (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN113436620B (zh) 语音识别模型的训练方法、语音识别方法、装置、介质及设备
CN109961032B (zh) 用于生成分类模型的方法和装置
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN114494298A (zh) 对象分割方法、装置、设备及存储介质
CN116932919B (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN111062431A (zh) 图像聚类方法、图像聚类装置、电子设备及存储介质
CN112712036A (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN113327599A (zh) 语音识别方法、装置、介质及电子设备
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN109359727B (zh) 神经网络的结构确定方法、装置、设备及可读介质
CN111402113A (zh) 图像处理方法、装置、电子设备及计算机可读介质
WO2022012178A1 (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN114648712B (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN115422932A (zh) 一种词向量训练方法及装置、电子设备和存储介质
CN114648713A (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN115375657A (zh) 息肉检测模型的训练方法、检测方法、装置、介质及设备
CN111626044B (zh) 文本生成方法、装置、电子设备及计算机可读存储介质
CN114330239A (zh) 文本处理方法及装置、存储介质及电子设备
CN111369429B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110704679B (zh) 视频分类方法、装置及电子设备
CN114463768A (zh) 表格识别方法、装置、可读介质和电子设备
CN111898658B (zh) 图像分类方法、装置和电子设备
CN111814807B (zh) 用于处理图像的方法、装置、电子设备和计算机可读介质
CN113140012B (zh) 图像处理方法、装置、介质及电子设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant