CN114842404A - 时序动作提名的生成方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种时序动作提名的生成方法及装置、电子设备和存储介质，所述方法包括：对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征；针对任一视频片段，对该视频片段及其邻近视频片段的第一特征进行编码处理，得到该视频片段与邻近视频片段之间的关系特征，邻近视频片段位于该视频片段的目标邻域内；对该视频片段与邻近视频片段之间的关系特征进行解码处理，得到邻近视频片段的目标权重；基于目标权重，更新该视频片段的第一特征，得到该视频片段的第二特征；基于多个视频片段的第二特征，生成待识别视频的目标时序动作提名。本公开实施例可以生成待识别视频对应的准确率较高的目标时序动作提名。

Description

时序动作提名的生成方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种时序动作提名的生成方法及装置、电子设备和存储介质。

背景技术

近年来，随着短视频应用的大量兴起，视频时序动作检测也受到了特别大的关注。视频时序动作检测的主要目的是在一段未剪辑的视频中定位出所有的动作片段并且判断所有动作片段的动作类别，是一个定位加识别的过程。时序动作检测任务在视频理解领域中是一个基础的问题，可以较好的用于视频分析、视频动作解析等下游任务。大多数的时序动作检测任务都采用类似于目标检测一样的流程，采用两阶段的策略，首先生成视频的时序动作提名，然后基于这些时序动作提名来判断每一个提名的类别，得到最终的时序动作检测结果。也就是说，精确的时序动作提名，是得到准确率较高的时序动作检测结果的前提条件。

发明内容

本公开提出了一种时序动作提名的生成方法及装置、电子设备和存储介质的技术方案。

根据本公开的一方面，提供了一种时序动作提名的生成方法，包括：对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征；针对任一所述视频片段，对所述视频片段及其邻近视频片段的第一特征进行编码处理，得到所述视频片段与所述邻近视频片段之间的关系特征，其中，所述邻近视频片段位于所述视频片段的目标邻域内；对所述视频片段与所述邻近视频片段之间的关系特征进行解码处理，得到所述邻近视频片段的目标权重；基于所述目标权重，更新所述视频片段的第一特征，得到所述视频片段的第二特征；基于所述多个视频片段的第二特征，生成所述待识别视频的目标时序动作提名。

在一种可能的实现方式中，所述对所述视频片段及其邻近视频片段的第一特征进行编码处理，得到所述视频片段与所述邻近视频片段之间的关系特征，包括：基于所述多个第一特征，构建初始关系特征图；对所述初始化关系特征图进行卷积处理，得到密集关系特征图；基于所述目标邻域，对所述密集关系特征图进行过滤处理，得到目标关系特征图，其中，所述目标关系特征图中包括任一所述视频片段与其邻近视频片段之间的关系特征。

在一种可能的实现方式中，所述目标邻域对应至少一个邻域尺度；所述基于所述目标邻域，对所述密集关系特征图进行过滤处理，得到目标关系特征图，包括：针对任一所述邻域尺度，基于所述邻域尺度确定的目标邻域，对所述密集关系特征图进行过滤处理，得到所述邻域尺度对应的目标关系特征图。

在一种可能的实现方式中，所述对所述视频片段与所述邻近视频片段之间的关系特征进行解码处理，得到所述邻近视频片段的目标权重，包括：针对任一所述邻域尺度，对所述邻域尺度对应的目标关系特征图进行卷积处理，得到所述邻域尺度对应的初始关系特征分数矩阵；对所述至少一个邻域尺度对应的所述初始关系特征分数矩阵进行融合，得到目标关系特征分数矩阵；对所述目标关系特征分数矩阵进行归一化处理，得到目标权重矩阵，其中，所述目标权重矩阵中包括任一所述视频片段的邻近视频片段的目标权重。

在一种可能的实现方式中，所述基于所述目标权重，更新所述视频片段的第一特征，得到所述视频片段的第二特征，包括：针对任一所述视频片段，基于所述目标权重，对所述视频片段及其邻近视频片段的第一特征进行融合，得到所述视频片段的第二特征。

在一种可能的实现方式中，所述基于所述目标权重，对所述视频片段及其邻近视频片段的第一特征进行融合，得到所述视频片段的第二特征，包括：将所述视频片段的第一特征，以及所述目标权重大于权重阈值的邻近视频片段的第一特征进行融合，得到所述视频片段的第二特征。

在一种可能的实现方式中，所述基于所述多个视频片段的第二特征，生成所述待识别视频的目标时序动作提名，包括：基于所述多个视频片段的第二特征，进行分类处理，得到所述待识别视频的第一初始时序动作提名；基于所述多个视频片段的第二特征，以及所述第一初始时序动作提名，进行回归处理，得到所述待识别视频的第二初始时序动作提名；基于所述第一初始时序动作提名和所述第二初始时序动作提名，确定所述目标时序动作提名。

根据本公开的一方面，提供了一种时序动作提名的生成装置，包括：特征提取模块，用于对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征；编码模块，用于针对任一所述视频片段，对所述视频片段及其邻近视频片段的第一特征进行编码处理，得到所述视频片段与所述邻近视频片段之间的关系特征，其中，所述邻近视频片段位于所述视频片段的目标邻域内；解码模块，用于对所述视频片段与所述邻近视频片段之间的关系特征进行解码处理，得到所述邻近视频片段的目标权重；更新模块，用于基于所述目标权重，更新所述视频片段的第一特征，得到所述视频片段的第二特征；提名生成模块，用于基于所述多个视频片段的第二特征，生成所述待识别视频的目标时序动作提名。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征，针对任一视频片段，对该视频片段及其邻近视频片段的第一特征进行编码处理，得到该视频片段与邻近视频片段之间的关系特征，对该视频片段与邻近视频片段之间的关系特征进行解码处理，得到该视频片段的邻近视频片段的目标权重，进而，基于该视频片段的邻近视频片段的目标权重，更新该视频片段的第一特征，以得到该视频片段的第二特征，以使得基于多个视频片段的第二特征生成待识别视频的目标时序动作提名。通过编码处理、解码处理，直接确定任一视频片段与其邻近视频片段之间的关系特征，更好地利用了时序上的局部上下文信息，降低了待识别视频中全局背景噪声的影响，提高了视频片段的第二特征的语义表征能力，以使得基于多个视频片段的第二特征，可以生成待识别视频对应的准确率较高的目标时序动作提名。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种时序动作提名的生成方法的流程图；

图2示出根据本公开实施例的一种时序动作提名生成网络的示意图；

图3示出根据本公开实施例的一种局部注意力模块的示意图；

图4示出根据本公开实施例的一种时序动作提名的生成装置的框图；

图5示出根据本公开实施例的一种电子设备的框图；

图6示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

由于视频理解任务相比于普通的图像空间信息多了关于时序的信息，因此，如何去学习视频中更复杂丰富的时序信息便成了时序动作提名任务的关键。相关技术中，有些方法利用扩展时序卷积提高时序感受野，有些方法利用图网络来构建显性的时序联系。但是，这些方法均是为了提高对于视频中全局依赖关系的捕捉能力。导致无法利用时序上的局部上下文信息进行充分的语义特征学习。对于一个未剪辑的视频，其中包含了大部分的冗杂的背景信息，而如何有选择地去捕捉与动作相关的上下文信息是非常重要的。相关技术中通常只利用自注意力机制去简单学习长期依赖，但是没用深度探索是否能有更好地结构去学习到更好地语义特征，导致生成的时序动作提名的准确率较低。

本公开提供了一种时序动作提名的生成方法，可以基于视频片段对应的目标邻域，更好地利用目标邻域内的局部上下文语义信息，降低全局背景噪声的影响，提高了对视频片段的语义表征的学习能力，进而可以生成准确率较高的目标时序动作提名。

下面详细介绍本公开实施例提供的时序动作提名的生成方法的详细过程。

图1示出根据本公开实施例的一种时序动作提名的生成方法的流程图。该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。如图1所示，该方法可以包括：

在步骤S11中，对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征。

这里的待识别视频可以是未经过剪辑，且需要进行视频时序动作检测中的生成时序动作提名任务的原始视频。待识别视频中包括图像采集设备在时间维度上连续采集得到的多个视频帧。

基于预设片段长度，对待识别视频进行切分得到多个视频片段。例如，待识别视频中包括按时序排列的T个视频帧，预设片段长度是σ帧，则将在时序上连续的每个σ帧切分，并在切分后的每个连续σ帧中任意选取一帧作为一个视频片段，最终切分得到L＝T/σ个视频片段，每个视频片段是一个视频帧。其中，T、σ的具体取值可以根据实际情况确定，本公开对此不作具体限定。

对多个视频片段进行特征提取，得到每个视频片段的第一特征。

在一示例中，可以利用视频识别网络(例如，I3D，Inflated 3D ConvNet)，对多个视频片段进行特征提取，得到每个视频片段的初始特征，初始特征可以是特征图的形式，初始特征的特征维度是C。

针对任意一个视频片段，对该视频片段的初始特征进行线性变换，得到该视频片段的第一特征，第一特征可以是特征向量的形式，第一特征的特征维度是C_input。

在步骤S12中，针对任一视频片段，对该视频片段及其邻近视频片段的第一特征进行编码处理，得到该视频片段与其邻近视频片段之间的关系特征，其中，邻近视频片段位于该视频片段的目标邻域内。

相比于相关技术中利用特征距离确定视频片段之间的相似度，受到复杂背景信息干扰的问题，通过对任一视频片段及其邻近视频片段的第一特征进行编码处理，直接得到该视频片段与其邻近视频片段之间的关系特征，降低了复杂背景信息的干扰，得到的关系特征更能够准确地反映目标邻域内局部上下文信息的关系。

后文会结合本公开可能的实现方式，对任一视频片段及其邻近视频片段的第一特征进行编码处理，得到视频片段与其邻近视频片段之间的关系特征的具体过程做详细描述，此处不做赘述。

在步骤S13中，对视频片段与其邻近视频片段之间的关系特征进行解码处理，得到邻近视频片段的目标权重。

通过对视频片段与其邻近视频片段之间的关系特征进行解码处理，可以直接快速得到该视频片段的邻近视频片段的目标权重。

后文会结合本公开可能的实现方式，对视频片段与其邻近视频片段之间的关系特征进行解码处理，得到邻近视频片段的目标权重的具体过程做详细描述，此处不做赘述。

在步骤S14中，基于目标权重，更新视频片段的第一特征，得到视频片段的第二特征。

基于视频片段的邻近视频片段的目标权重，更新视频片段的第一特征，得到视频片段的第二特征，视频片段的第二特征融合了该视频片段目标邻域内的局部上下文信息，因此，第二特征具有较高较准确地语义表征能力。

后文会结合本公开可能的实现方式，对基于视频片段的邻近视频片段的目标权重，更新视频片段的第一特征，得到视频片段的第二特征的具体过程做详细描述，此处不做赘述。

在步骤S15中，基于多个视频片段的第二特征，生成待识别视频的目标时序动作提名。

由于每个视频片段的第二特征均具有较高的语义表征能力，因此，基于多个第二特征，可以生成待识别视频对应的准确率较高的目标时序动作提名。

后文会结合本公开可能的实现方式，对基于多个视频片段的第二特征，生成待识别视频的目标时序动作提名的具体过程做详细描述，此处不做赘述。

根据本公开的实施例，通过编码处理、解码处理，直接确定任一视频片段与其邻近视频片段之间的关系特征，更好地利用了时序上的局部上下文信息，降低了待识别视频中全局背景噪声的影响，提高了视频片段的第二特征的语义表征能力，以使得基于多个视频片段的第二特征，可以生成待识别视频对应的准确率较高的目标时序动作提名。

在一示例中，可以利用时序动作提名生成网络来实现上述时序动作提名的生成。图2示出根据本公开实施例的一种时序动作提名生成网络的示意图。如图2所示，时序动作提名生成网络中包括特征提取模块，将待识别视频切分得到的多个视频片段输入时序动作提名生成网络，利用特征提取模块对多个视频片段进行特征提取，得到多个第一特征。

例如，将待识别视频输入时序动作提名生成网络，经过特征提取模块进行特征提取之后，得到待识别视频切分得到L个视频片段中每个视频片段的第一特征。任意一个视频片段对应的第一特征可以表示为

每个第一特征的维度是C_input，则特征提取模块输出待识别视频对应的L×C_input大小的第一特征序列。

仍以上述图2为例，如图2所示，时序动作提名生成网络包括结局部注意力模块。将特征提取模块输出的待识别视频对应的L×C_input大小的第一特征序列输入局部注意力模块，利用局部注意力模块进行T次迭代更新，输出每个视频片段的第二特征。迭代次数T的具体取值可以根据实际情况确定，本公开对此不作具体限定。

在一种可能的实现方式中，对视频片段及其邻近视频片段的第一特征进行编码处理，得到视频片段与邻近视频片段之间的关系特征，包括：基于多个第一特征，构建初始关系特征图；对初始关系特征图进行卷积处理，得到密集关系特征图；基于目标邻域，对密集关系特征图进行过滤处理，得到目标关系特征图，其中，目标关系特征图中包括任一视频片段与其邻近视频片段之间的关系特征。

图3示出根据本公开实施例的一种局部注意力模块的示意图。在第t次迭代更新过程中，对第t-1次迭代更新后的多个第一特征进行特征嵌入，得到用于第t次迭代更新的多个第一特征。其中，特征嵌入的方式可以通过时序卷积和非线性处理，还可以通过其它特征嵌入方式，本公开对此不作具体限定。

针对第i个视频片段，对第i个视频片段第t-1次迭代更新后的第一特征u_it进行时序卷积(Convs)和非线性(ReLU)处理，得到第i个视频片段的第一特征为v_i ^t。将该第一特征v_i ^t作为第i个视频片段对应的查询特征Q(Query)和值特征V(Value)。

在目标邻域的邻域尺度为s的情况下，第i个视频片段对应的目标邻域内包括：第i-s个视频片段、……、第i-1个视频片段、第i个视频片段、第i+1个视频片段、第i+s个视频片段，因此，将第i个视频片段对应的目标邻域内包括的多个邻近视频片段对应的第一特征，确定为第i个视频片段对应的键特征K(Key)。也就是说，第i个视频片段对应的键特征K可以表示为

局部注意力模块基于局部注意力机制，仅确定每个视频片段与其目标邻域内多个邻近视频片段之间的关系特征，即确定每个视频片段的对应的查询特征Q(Query)和键特征K(Key)之间的关系特征。

如图3所示，局部注意力模块中包括编码器，基于编码器，可以确定包括每个视频片段的对应的查询特征Q(Query)和键特征K(Key)之间的关系特征的目标关系特征图。

在待识别视频对应L个视频片段的情况下，如上所述，将特征嵌入之后得到L个第一特征输入编码器。利用编码器，对L个第一特征进行维度转换，构建L×L大小的初始关系特征图，其中，初始关系特征图中的第i行第_j列用于指示第i个视频片段和第_j个视频片段的初始关系特征。

基于卷积核大小(2s+1,1)、填充大小(s,0)、步长大小(1,1)的2D卷积层，对初始关系特征图进行2D卷积处理，即在2D特征图的每一列上获取了2s+1大小的局部上下文信息，得到L×L大小的密集关系特征图F'。

由于密集关系特征图F'中包括很多干扰项，为了仅获取每个视频片段与其目标邻域内多个邻近视频片段之间的关系特征，基于目标邻域的邻域尺度s，基于下述公式(1)，对密集关系特征图F'进行过滤处理，得到目标关系特征图F”。

其中，F_i'_,'_j表示第i个视频片段与第j个视频片段之间的关系特征。

如图3所示，在目标关系特征图F”中，以对角线上的每个元素为目标元素，每列中仅目标元素对应的目标邻域内的多个邻近元素的值不为0，目标邻域以外的其它元素为0。也就是说，目标关系特征图F”中的每一列，仅包含一个视频片段与其对应的目标邻域内的多个邻近视频片段之间的关系特征，是稀疏关系特征图。

在一种可能的实现方式中，目标邻域对应至少一个邻域尺度；基于目标邻域，对密集关系特征图进行过滤处理，得到目标关系特征图，包括：针对任一邻域尺度，基于该邻域尺度确定的目标邻域，对密集关系特征图进行过滤处理，得到该邻域尺度对应的目标关系特征图。

针对图3所示的目标关系特征图F”，如图3所示，目标邻域的邻域尺度为s＝2，第一列中包括的是第i＝1个视频片段，与目标邻域内邻近的第i＝1、i+1＝2、i+2＝3，这3个视频片段之间的关系特征；第二列中包括的是第i＝2个视频片段，与目标邻域内邻近的第i-1＝1、i＝2、i+1＝3、i+2＝4，这4个视频片段之间的关系特征；第三列中包括的是第i＝3个视频片段，与目标邻域内邻近的第i-2＝1、i-1＝2、i＝3、i+1＝4、i+2＝5，这5个视频片段之间的关系特征；第四列中包括的是第i＝4个视频片段，与目标邻域内邻近的第i-2＝2、i-1＝3、i＝4、i+1＝5、i+2＝6，这5个视频片段之间的关系特征；以此列推。

在目标邻域的邻域尺度为s＝3的情况下，目标关系特征图F”：第一列中包括的是第i＝1个视频片段，与目标邻域内邻近的第i＝1、i+1＝2、i+2＝3、i+3＝4，这4个视频片段之间的关系特征；第二列中包括的是第i＝2个视频片段，与目标邻域内邻近的第i-1＝1、i＝2、i+1＝3、i+2＝4、i+3＝5，这5个视频片段之间的关系特征；第三列中包括的是第i＝3个视频片段，与目标邻域内邻近的第i-2＝1、i-1＝2、i＝3、i+1＝4、i+2＝5、i+3＝6，这6个视频片段之间的关系特征；第四列中包括的是第i＝4个视频片段，与目标邻域内邻近的第i-3＝1、i-2＝2、i-1＝3、i＝4、i+1＝5、i+2＝6、i+3＝7，这7个视频片段之间的关系特征；以此列推。

目标邻域对应的邻域尺度的个数以及大小，可以根据实际情况确定，本公开对此不作具体限定。

在一种可能的实现方式中，对视频片段与邻近视频片段之间的关系特征进行解码处理，得到邻近视频片段的目标权重，包括：针对任一邻域尺度，对该邻域尺度对应的目标关系特征图进行卷积处理，得到该邻域尺度对应的初始关系特征分数矩阵；对至少一个邻域尺度对应的初始关系特征分数矩阵进行融合，得到目标关系特征分数矩阵；对目标关系特征分数矩阵进行归一化处理，得到目标权重矩阵，其中，目标权重矩阵中包括任一视频片段的邻近视频片段的目标权重。

由于不同视频动作在待识别视频中的持续时间具有很大的变化，因此，针对任意一个视频片段，确定其与不同邻域尺度的多个目标邻域内包括的邻近视频片段之间的关系特征，可以更好地利用时序上的不同局部上下文信息，以得到该视频片段在邻域尺度最大的目标邻域内准确度更高的目标权重。

利用解码器，对每个邻域尺度对应的目标关系特征图进行卷积处理。基于卷积核大小(2s+1,1)、填充大小(s,0)、步长大小(1,1)的2D卷积层，对目标关系特征图进行2D卷积处理，直接输出每个邻域尺度对应的初始关系特征分数矩阵。

以上述目标邻域的邻域尺度为s＝2、s＝3为例，将邻域尺度s＝2、s＝3对应的目标关系特征图输入解码器。

基于卷积核大小(5,1)、填充大小(2,0)、步长大小(1,1)的2D卷积层，对邻域尺度s＝2对应的目标关系特征图进行2D卷积处理，得到邻域尺度s＝2对应的初始关系特征分数矩阵。针对第i个视频片段，在邻域尺度s＝2对应的初始关系特征分数矩阵中，包括第i个视频片段与邻域尺度s＝2大小的目标邻域内邻近的第i-2、i-1、i、i+1、i+2，这5个视频片段之间的初始关系特征分数；

基于卷积核大小(7,1)、填充大小(3,0)、步长大小(1,1)的2D卷积层，对邻域尺度s＝3对应的目标关系特征图进行2D卷积处理，得到邻域尺度s＝3对应的初始关系特征分数矩阵。针对第i个视频片段，在邻域尺度s＝3对应的初始关系特征分数矩阵中，包括第i个视频片段与邻域尺度s＝3大小的目标邻域内邻近的第i-3、i-2、i-1、i、i+1、i+2、i+3，这7个视频片段之间的初始关系特征分数。

对邻域尺度s＝2、s＝3对应的初始关系特征分数矩阵进行融合，即对矩阵中对应位置的元素相加，得到邻域尺度最大的s＝3指示的目标邻域对应的目标关系特征分数矩阵。其中，针对第i个视频片段，在邻域尺度最大的s＝3指示的目标邻域对应的目标关系特征分数矩阵中，包括第i个视频片段与邻域尺度s＝3大小的目标邻域内邻近的第i-3、i-2、i-1、i、i+1、i+2、i+3，这7个视频片段之间的目标关系特征分数。

对目标关系特征分数矩阵进行归一化处理，得到目标权重矩阵A。其中，针对第i个视频片段，在目标权重矩阵A中，包括第i个视频片段对应的邻域尺度s＝3大小的目标邻域内邻近的第i-3、i-2、i-1、i、i+1、i+2、i+3，这7个视频片段的目标权重A_i,i-3、A_i,i-2、A_i,i-1、A_i,i、A_i,i+1、A_i,i+2、A_i,i+3。

在一种可能的实现方式中，基于目标权重，更新视频片段的第一特征，得到视频片段的第二特征，包括：针对任一视频片段，基于目标权重，对视频片段及其邻近视频片段的第一特征进行融合，得到视频片段的第二特征。

针对第i个视频片段，基于目标权重矩阵A，确定第i个视频片段的目标邻域内邻近的第i-3、i-2、i-1、i、i+1、i+2、i+3，这7个视频片段的目标权重A_i,i-3、A_i,i-2、A_i,i-1、A_i,i、A_i,i+1、A_i,i+2、A_i,i+3，对第i-3、i-2、i-1、i、i+1、i+2、i+3个视频片段的第一特征进行融合，以更新第i个视频片段的第一特征，得到第i个视频片段的第二特征为：A_i,i-3×v_i-3+A_i,i-2×v_i-2+A_i,i-1×v_i-1+v_i+A_i,i+1×v_i+1+A_i,i+2×v_i+2+A_i,i+3×v_i+3。

在一种可能的实现方式中，基于目标权重，对视频片段及其邻近视频片段的第一特征进行融合，得到视频片段的第二特征，包括：将视频片段的第一特征，以及目标权重大于权重阈值的邻近视频片段的第一特征进行融合，得到视频片段的第二特征。

为了更好地利用时序上的局部上下文，设置权重阈值，仅将视频片段的第一特征，以及与该视频片段之间的目标权重大于权重阈值的邻近视频片段的第一特征进行融合，以更新该视频片段的第一特征。

仍以上述第i个视频片段为例，第i个视频片段在目标邻域下，仅目标权重A_i,i-2、A_i,i-1、A_i,i、A_i,i+1、A_i,i+2大于权重阈值的情况下，第i个视频片段的第二特征为：A_i,i-2×v_i-2+A_i,i-1×v_i-1+v_i+A_i,i+1×v_i+1+A_i,i+2×v_i+2。

权重阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。

在一示例中，将更新视频片段的第一特征之后，得到的视频片段的第二特征，作为更新后的第一特征，重复执行上述过程，以再次更新视频片段的第一特征。经过预设迭代次数T之后，将最终得到的第二特征，用于进行时序动作提名的生成。预设迭代次数T的具体取值可以根据实际情况确定，本公开对此不做具体限定。

在一种可能的实现方式中，基于多个视频片段的第二特征，生成待识别视频的目标时序动作提名，包括：基于多个视频片段的第二特征进行分类处理，得到待识别视频的第一初始时序动作提名；基于多个视频片段的第二特征，以及第一初始时序动作提名，进行回归处理，得到待识别视频的第二初始时序动作提名；基于第一初始时序动作提名和第二初始时序动作提名，确定目标时序动作提名。

基于上述记载可知，每个视频片段是一个待识别视频中的一个视频帧。对多个视频片段的第二特征进行分类处理，得到每个视频片段是动作开始视频帧的起始预测置信度，以及每个视频片段是动作结束视频帧的结束预测置信度。

进而基于起始置信度阈值和结束置信度阈值，确定多个预测动作开始视频帧(起始预测置信度大于起始置信度阈值)，以及多个预测动作结束视频帧(结束预测置信度大于结束置信度阈值)。

基于任一预测动作开始视频帧，以及任一预测动作结束视频帧的组合，确定待识别视频的多个第一初始时序动作提名。例如：第一初始时序动作提名包括：第一初始时序动作提名A：第3个视频片段(预测动作开始视频帧)和第6个视频片段(预测动作结束视频帧)；第一始时序动作提名B：第4个视频片段(预测动作开始视频帧)和第7个视频片段(预测动作结束视频帧)。

仍以上述图2为例，如图2所示，时序动作提名生成网络中包括提名分类器，利用提名分类器，对多个视频片段的第二特征进行分类处理，得到待识别视频的第一初始时序动作提名。

针对任意一个第一初始时序动作提名，确定该第一初始时序动作提名的提名特征。例如，针对上述第一初始时序动作提名A：第3个视频片段(预测动作开始视频帧)和第6个视频片段(预测动作结束视频帧)，基于第3-6个视频片段的第二特征，确定第一初始时序动作提名A的提名特征。在一示例中，可以对第3-6个视频片段对应的四个第二特征求均值，以作为第一初始时序动作提名A的提名特征。同理，求得第二初始时序动作提名B的提名特征。

对第一初始时序动作提名的提名特征进行回归处理，得到第二初始时序动作提名及其回归置信度。其中，第二初始时序动作提名的数量与第一初始时序动作提名的数量相同。

例如，针对上述第一初始时序动作提名A的提名特征进行回归处理，得到第二初始时序动作提名A'：第3个视频片段(预测动作开始视频帧)和第6个视频片段(预测动作结束视频帧)，以及第二初始时序动作提名A'的回归置信度。

针对上述第一初始时序动作提名B的提名特征进行回归处理，得到第二初始时序动作提名B'：第3个视频片段(预测动作开始视频帧)和第6个视频片段(预测动作结束视频帧)，以及第二初始时序动作提名B'的回归置信度。

仍以上述图2为例，如图2所示，时序动作提名生成网络中包括提名回归器，基于多个视频片段的第二特征以及第一初始时序动作提名，利用提名回归器进行回归处理，得到待识别视频的第二初始时序动作提名。

针对相对应的起始相同的第一初始时序动作提名和第二初始时序动作提名进行融合。例如，针对上述第一初始时序动作提名A和上述第二初始时序动作提名A'融合，得到融合后初始时序动作提名A”，及其目标置信度＝第二初始时序动作提名A'的回归置信度×第一初始时序动作提名A的起始预测置信度×第一初始时序动作提名A对应的结束预测置信度。

同理，针对上述第一初始时序动作提名B和上述第二初始时序动作提名B'融合，得到融合后初始时序动作提名B”，及其目标置信度＝第二初始时序动作提名B'的回归置信度×第一初始时序动作提名B的起始预测置信度×第一初始时序动作提名B的结束预测置信度。

利用目标置信度阈值，对融合后初始时序动作提名进行过滤，将目标置信度大于目标置信度阈值的融合后初始时序动作提名，确定为目标时序动作提名。

为了进一步提高提名准确度，可以对目标时序动作提名进一步经过非极大值抑制(NMS，non maximum suppression)处理，得到最终的目标时序动作提名。

在本公开实施例中，对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征，针对任一视频片段，对该视频片段及其近邻视频片段的第一特征进行编码处理，得到该视频片段与邻近视频片段之间的关系特征，对该视频片段与邻近视频片段的关系特征进行解码处理，得到该视频片段的邻近视频片段的目标权重，进而，基于该视频片段的邻近视频片段的目标权重，更新该视频片段的第一特征，以得到该视频片段的第二特征，以使得基于多个视频片段第二特征生成待识别视频的目标时序动作提名。通过编码处理、解码处理，直接确定任一视频片段与其邻近视频片段之间的关系特征，更好地利用了时序上的局部上下文信息，降低了待识别视频中全局背景噪声的影响，提高了视频片段的第二特征的语义表征能力，以使得基于多个视频片段的第二特征，可以生成待识别视频对应的准确率较高的目标时序动作提名。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了时序动作提名的生成装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种时序动作提名的生成方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图4示出根据本公开实施例的一种时序动作提名的生成装置的框图。如图4所示，装置40包括：

特征提取模块41，用于对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征；

编码模块42，用于针对任一视频片段，对该视频片段及其邻近视频片段的第一特征进行编码处理，得到该视频片段与邻近视频片段之间的关系特征，其中，邻近视频片段位于该视频片段的目标邻域内；

解码模块43，用于对该视频片段与邻近视频片段之间的关系特征进行解码处理，得到该视频片段的邻近视频片段的目标权重；

更新模块44，用于基于该视频片段的邻近视频片段的目标权重，更新该视频片段的第一特征，得到该视频片段的第二特征；

提名生成模块45，用于基于多个视频片段的第二特征，生成待识别视频的目标时序动作提名。

在一种可能的实现方式中，编码模块42，包括：

第一确定子模块，用于基于多个第一特征，构建初始关系特征图；

第二确定子模块，用于对初始化关系特征图进行卷积处理，得到密集关系特征图；

第三确定子模块，用于基于目标邻域，对密集关系特征图进行过滤处理，得到目标关系特征图，其中，目标关系特征图中包括任一视频片段与其邻近视频片段之间的关系特征。

在一种可能的实现方式中，目标邻域对应至少一个邻域尺度；

第三确定子模块，具体用于：

针对任一邻域尺度，基于该邻域尺度确定的目标邻域，对密集关系特征图进行过滤处理，得到该邻域尺度对应的目标关系特征图。

在一种可能的实现方式中，解码模块43，具体用于：

针对任一邻域尺度，对该邻域尺度对应的目标关系特征图进行卷积处理，得到该邻域尺度对应的初始关系特征分数矩阵；

对至少一个邻域尺度对应的初始关系特征分数矩阵进行融合，得到目标关系特征分数矩阵；

对目标关系特征分数矩阵进行归一化处理，得到目标权重矩阵，其中，目标权重矩阵中包括任一视频片段的邻近视频片段的目标权重。

在一种可能的实现方式中，更新模块44，包括：

更新子模块，用于针对任一视频片段，基于该视频片段的邻近视频片段的目标权重，对视频片段及其邻近视频片段的第一特征进行融合，得到该视频片段的第二特征。

在一种可能的实现方式中，更新子模块，具体用于：

将该视频片段的第一特征，以及目标权重大于权重阈值的邻近视频片段的第一特征进行融合，得到该视频片段的第二特征。

在一种可能的实现方式中，提名生成模块45，具体用于：

基于多个视频片段的第二特征，进行分类处理，得到待识别视频的第一初始时序动作提名；

基于多个视频片段的第二特征，以及第一初始时序动作提名，进行回归处理，得到待识别视频的第二初始时序动作提名；

基于第一初始时序动作提名和第二初始时序动作提名，确定目标时序动作提名。

该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等)，从而获得符合自然规律的计算机系统内部性能改进的技术效果。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出根据本公开实施例的一种电子设备的框图。参照图5，电子设备800可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

本公开涉及增强现实领域，通过获取现实环境中的目标对象的图像信息，进而借助各类视觉相关算法实现对目标对象的相关特征、状态及属性进行检测或识别处理，从而得到与具体应用匹配的虚拟与现实相结合的AR效果。示例性的，目标对象可涉及与人体相关的脸部、肢体、手势、动作等，或者与物体相关的标识物、标志物，或者与场馆或场所相关的沙盘、展示区域或展示物品等。视觉相关算法可涉及视觉定位、SLAM、三维重建、图像注册、背景分割、对象的关键点提取及跟踪、对象的位姿或深度检测等。具体应用不仅可以涉及跟真实场景或物品相关的导览、导航、讲解、重建、虚拟效果叠加展示等交互场景，还可以涉及与人相关的特效处理，比如妆容美化、肢体美化、特效展示、虚拟模型展示等交互场景。可通过卷积神经网络，实现对目标对象的相关特征、状态及属性进行检测或识别处理。上述卷积神经网络是基于深度学习框架进行模型训练而得到的网络模型。

图6示出根据本公开实施例的一种电子设备的框图。参照图6，电子设备1900可以被提供为一服务器或终端设备。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server^TM)，苹果公司推出的基于图形用户界面操作系统(Mac OSX^TM)，多用户多进程的计算机操作系统(Unix^TM),自由和开放原代码的类Unix操作系统(Linux^TM)，开放原代码的类Unix操作系统(FreeBSD^TM)或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种时序动作提名的生成方法，其特征在于，包括：

对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征；

针对任一所述视频片段，对所述视频片段及其邻近视频片段的第一特征进行编码处理，得到所述视频片段与所述邻近视频片段之间的关系特征，其中，所述邻近视频片段位于所述视频片段的目标邻域内；

对所述视频片段与所述邻近视频片段之间的关系特征进行解码处理，得到所述邻近视频片段的目标权重；

基于所述目标权重，更新所述视频片段的第一特征，得到所述视频片段的第二特征；

基于所述多个视频片段的第二特征，生成所述待识别视频的目标时序动作提名。

2.根据权利要求1所述的方法，其特征在于，所述对所述视频片段及其邻近视频片段的第一特征进行编码处理，得到所述视频片段与所述邻近视频片段之间的关系特征，包括：

基于所述多个第一特征，构建初始关系特征图；

对所述初始化关系特征图进行卷积处理，得到密集关系特征图；

基于所述目标邻域，对所述密集关系特征图进行过滤处理，得到目标关系特征图，其中，所述目标关系特征图中包括任一所述视频片段与其邻近视频片段之间的关系特征。

3.根据权利要求2所述的方法，其特征在于，所述目标邻域对应至少一个邻域尺度；

所述基于所述目标邻域，对所述密集关系特征图进行过滤处理，得到目标关系特征图，包括：

针对任一所述邻域尺度，基于所述邻域尺度确定的目标邻域，对所述密集关系特征图进行过滤处理，得到所述邻域尺度对应的目标关系特征图。

4.根据权利要求3所述的方法，其特征在于，所述对所述视频片段与所述邻近视频片段之间的关系特征进行解码处理，得到所述邻近视频片段的目标权重，包括：

针对任一所述邻域尺度，对所述邻域尺度对应的目标关系特征图进行卷积处理，得到所述邻域尺度对应的初始关系特征分数矩阵；

对所述至少一个邻域尺度对应的所述初始关系特征分数矩阵进行融合，得到目标关系特征分数矩阵；

对所述目标关系特征分数矩阵进行归一化处理，得到目标权重矩阵，其中，所述目标权重矩阵中包括任一所述视频片段的邻近视频片段的目标权重。

5.根据权利要求2至4中任意一项所述的方法，其特征在于，所述基于所述目标权重，更新所述视频片段的第一特征，得到所述视频片段的第二特征，包括：

针对任一所述视频片段，基于所述目标权重，对所述视频片段及其邻近视频片段的第一特征进行融合，得到所述视频片段的第二特征。

6.根据权利要求5所述的方法，其特征在于，所述基于所述目标权重，对所述视频片段及其邻近视频片段的第一特征进行融合，得到所述视频片段的第二特征，包括：

将所述视频片段的第一特征，以及所述目标权重大于权重阈值的邻近视频片段的第一特征进行融合，得到所述视频片段的第二特征。

7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述基于所述多个视频片段的第二特征，生成所述待识别视频的目标时序动作提名，包括：

基于所述多个视频片段的第二特征，进行分类处理，得到所述待识别视频的第一初始时序动作提名；

基于所述多个视频片段的第二特征，以及所述第一初始时序动作提名，进行回归处理，得到所述待识别视频的第二初始时序动作提名；

基于所述第一初始时序动作提名和所述第二初始时序动作提名，确定所述目标时序动作提名。

8.一种时序动作提名的生成装置，其特征在于，包括：

特征提取模块，用于对由待识别视频得到的多个视频片段进行特征提取，得到多个第一特征；

编码模块，用于针对任一所述视频片段，对所述视频片段及其邻近视频片段的第一特征进行编码处理，得到所述视频片段与所述邻近视频片段之间的关系特征，其中，所述邻近视频片段位于所述视频片段的目标邻域内；

解码模块，用于对所述视频片段与所述邻近视频片段之间的关系特征进行解码处理，得到所述邻近视频片段的目标权重；

更新模块，用于基于所述目标权重，更新所述视频片段的第一特征，得到所述视频片段的第二特征；

提名生成模块，用于基于所述多个视频片段的第二特征，生成所述待识别视频的目标时序动作提名。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

Images