CN114882334A - 用于生成预训练模型的方法、模型训练方法及装置 - Google Patents
用于生成预训练模型的方法、模型训练方法及装置 Download PDFInfo
- Publication number
- CN114882334A CN114882334A CN202210473240.8A CN202210473240A CN114882334A CN 114882334 A CN114882334 A CN 114882334A CN 202210473240 A CN202210473240 A CN 202210473240A CN 114882334 A CN114882334 A CN 114882334A
- Authority
- CN
- China
- Prior art keywords
- video
- sample
- model
- training
- video 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于生成预训练模型的方法、模型训练方法及装置,涉及人工智能技术领域,具体为深度学习、图像处理、计算机视觉技术领域,可应用于OCR等场景。具体实现方案为:获取视频集合;基于视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合;基于视频集合中除第一视频之外的其他第二视频,确定第二样本视频帧集合;基于第一样本视频帧集合和第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练。本实现方式可以提高预训练模型的生成效率。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、图像处理、计算机视觉技术领域,可应用于OCR等场景。
背景技术
目前,在视频特征提取的过程中,经常需要进行视频表征预训练。其中,视频表征预训练是指对预训练模型进行模型训练,以使训练好的预训练模型能够提取具有判别性的视频特征。
在对预训练模型进行模型训练的过程中,需要使用大量的视频样本。如果人工标注这些视频样本,再进行有监督的模型训练,会导致预训练模型的生成效率较低。
发明内容
本公开提供了一种用于生成预训练模型的方法、模型训练方法及装置。
根据本公开的一方面,提供了一种用于生成预训练模型的方法,包括:获取视频集合;基于视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合;基于视频集合中除第一视频之外的其他第二视频,确定第二样本视频帧集合;基于第一样本视频帧集合和第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练。
根据本公开的另一方面,提供了一种训练模型的方法,包括:获取上述的用于生成预训练模型的方法得到的预训练模型;对预训练模型添加全连接层,得到初始行为识别模型;基于预设的视频样本以及视频行为标注信息,对初始行为识别模型进行训练,得到训练完成的行为识别模型。
根据本公开的另一方面,提供了一种行为识别方法,包括:获取待识别视频;基于待识别视频和上述的训练模型的方法训练得到的行为识别模型,确定与待识别视频对应的行为识别结果。
根据本公开的另一方面,提供了一种针对视频检索结果的评估方法,包括:获取针对目标视频特征的视频检索结果;基于视频检索结果和上述用于生成预训练模型的方法得到的预训练模型,确定视频检索结果对应的检索视频特征;基于目标视频特征与检索视频特征之间的特征相似度,生成针对视频检索结果的评估信息。
根据本公开的另一方面,提供了一种用于生成预训练模型的装置,包括:视频获取单元,被配置成获取视频集合;第一样本确定单元,被配置成基于视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合;第二样本确定单元,被配置成基于视频集合中除第一视频之外的其他第二视频,确定第二样本视频帧集合;模型预训练单元,被配置成基于第一样本视频帧集合和第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练。
根据本公开的另一方面,提供了一种训练模型的装置,包括:预训练模型获取单元,被配置成获取基于上述用于生成预训练模型的装置得到的预训练模型;模型确定单元,被配置成对预训练模型添加全连接层,得到初始行为识别模型;模型训练单元,被配置成基于预设的视频样本以及视频行为标注信息,对初始行为识别模型进行训练,得到训练完成的行为识别模型。
根据本公开的另一方面,提供了一种行为识别装置,包括:行为识别单元,被配置成获取待识别视频;基于待识别视频和权利要求7的训练模型的装置训练得到的行为识别模型,确定与待识别视频对应的行为识别结果。
根据本公开的另一方面,提供了一种针对视频检索结果的评估装置,包括:结果获取单元,被配置成获取针对目标视频特征的视频检索结果;特征确定单元,被配置成基于视频检索结果和上述的用于生成预训练模型的装置得到的预训练模型,确定视频检索结果对应的检索视频特征;评估单元,被配置成基于目标视频特征与检索视频特征之间的特征相似度,生成针对视频检索结果的评估信息。
根据本公开的另一方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项用于生成预训练模型的方法、训练模型的方法、行为识别方法以及针对视频检索结果的评估方法。
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,计算机指令用于使计算机执行如上任意一项用于生成预训练模型的方法、训练模型的方法、行为识别方法以及针对视频检索结果的评估方法。
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,计算机程序在被处理器执行时实现如上任意一项用于生成预训练模型的方法、训练模型的方法、行为识别方法以及针对视频检索结果的评估方法。
根据本公开的技术,提供一种用于生成预训练模型的方法,能够提高预训练模型的生成效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成预训练模型的方法的一个实施例的流程图;
图3是根据本公开的用于生成预训练模型的方法的一个应用场景的示意图;
图4是根据本公开的用于生成预训练模型的方法的另一个实施例的流程图;
图5是根据本公开的训练模型的方法的一个实施例的流程图;
图6是根据本公开的行为识别方法的一个实施例的流程图;
图7是根据本公开的针对视频检索结果的评估方法的一个实施例的流程图;
图8是根据本公开的用于生成预训练模型的装置的一个实施例的结构示意图;
图9是根据本公开的预训练模型的装置的一个实施例的结构示意图;
图10是根据本公开的行为识别装置的一个实施例的结构示意图;
图11是根据本公开的针对视频检索结果的评估装置的一个实施例的结构示意图;
图12是用来实现本公开实施例的用于生成预训练模型的方法、训练模型的方法、行为识别方法以及针对视频检索结果的评估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。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示,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、无线通信链路或者光纤电缆等等。
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可以通过网络104向服务器105发送大量视频组成的视频集合,以使服务器105基于视频集合中视频内的图像特征,抽取第一样本视频帧集合,以及基于视频集合中视频间的差异,抽取不同视频的视频帧作为第二样本视频帧集合,并基于第一样本视频帧集合和第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练,得到训练完成的预训练模型,并将预训练模型通过网络104返回给终端设备101、102、103,以使终端设备101、102、103基于预训练模型实现行为识别、视频检索结果评估等功能。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,服务器105可以接收终端设备101、102、103通过网络104发送的视频集合,并对视频集合中的每个视频,基于该视频的图像特征,从该视频中抽取视频内具有差异的第一样本视频帧,得到第一样本视频帧集合,再从视频集合中除该视频之外的其他视频中抽取第二样本视频帧,得到第二样本视频帧集合,基于第一样本视频帧集合和第二样本视频帧集合,对待训练模型进行训练,得到训练完成的预训练模型,并将训练完成的预训练模型通过网络104返回给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的用于生成预训练模型的方法可以由终端设备101、102、103执行,也可以由服务器105执行,用于生成预训练模型的装置可以设置于终端设备101、102、103,也可以设置于服务器105中,本公开实施例对此不做限定。
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。
继续参考图2,示出了根据本公开的用于生成预训练模型的方法的一个实施例的流程200。本实施例的用于生成预训练模型的方法,包括以下步骤:
步骤201,获取视频集合。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以获取作为自监督学习样本的至少一个视频,得到视频集合。这里的视频集合中优选包含海量的视频,从而提高预训练模型的训练精准度。并且,执行主体可以从互联网、本地存储或者预先建立连接的其他电子设备中获取上述视频集合。优选的,执行主体可以从互联网获取海量的、未经剪辑的原始视频,作为上述视频集合。
步骤202,基于视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合。
在本实施例中,执行主体可以从视频集合中的各个视频中选取若干第一视频,并获取第一视频中各个第一视频帧的图像特征,并根据该图像特征,从第一视频中确定至少一个第一样本视频帧,得到第一样本视频帧集合。其中,执行主体从该视频中确定得到的、不同的第一样本视频帧之间的图像特征的差异值可以大于预设的阈值。
在本实施例的一些可选的实现方式中,基于视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合可以包括:对于视频集合中的第一视频,确定该第一视频中各个第一视频帧之间的图像特征的差异值;基于各个第一视频帧之间的图像特征的差异值,从各个第一视频帧中选取差异值大于预设的阈值的第一视频帧,作为第一样本视频帧;将至少一个第一样本视频帧组合得到第一样本视频帧集合。通过实施这种可选的实现方式,能够基于同个视频中具有差异的视频帧,得到第一样本视频帧集合,从而在基于第一样本视频帧集合训练模型时,能够考虑到同个视频中的视频帧之间的差异性,从而提高预训练模型的训练精准度。
步骤203,基于视频集合中除第一视频之外的其他第二视频,确定第二样本视频帧集合。
在本实施例中,执行主体可以将视频集合中除第一视频之外的其他第二视频的视频帧,作为第二样本视频帧,得到第二样本视频帧集合。又或者,执行主体也可以将视频集合中除该第一视频之外的其他第二视频的视频帧作为基准视频帧,基于对基准视频帧进行图像增强、图像剪裁等图像处理操作,得到第二样本视频帧,从而将各个第二样本视频帧组合得到第二样本视频帧集合。
步骤204,基于第一样本视频帧集合和第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练,得到训练完成的预训练模型。
在本实施例中,执行主体可以基于第一样本视频帧集合中同个视频具有差异的视频帧,确定视频内差异信息。以及,执行主体可以基于第一样本视频帧集合和第二样本视频帧集合中不同视频具有差异的视频帧,确定视频间差异信息。以及,执行主体可以将第一样本视频帧集合和第二样本视频帧集合中的各个视频帧作为训练样本,并基于上述视频内差异信息和上述视频间差异信息构建损失函数,利用该损失函数和该训练样本,对待训练模型进行迭代训练,以使训练完成的预训练模型收敛。
继续参见图3,其示出了根据本公开的用于生成预训练模型的方法的一个应用场景的示意图。在图3的应用场景中,执行主体可以获取第一视频,第一视频包含视频帧1至9。之后,执行主体可以基于视频帧1至9的图像特征,确定得到第一视频内视频帧画面发生变化的视频分割点。之后,执行主体可以基于该视频分割点,将第一视频划分为三个视频片段,分别为视频帧1至3、视频帧4-6、视频帧7-9。执行主体可以从视频帧1至3、视频帧4-6、视频帧7-9中分别抽取视频帧2、5、8作为同个视频中具有差异的第一样本视频帧,得到第一样本视频帧集合301。并且,执行主体还可以从区别于第一视频的第二视频中抽取视频帧10-12作为第二样本视频帧集合302。之后,执行主体可以基于第一样本视频帧集合301确定视频内差异信息,以及基于第一样本视频帧集合301和第二样本视频帧集合302,确定视频间差异信息。之后,执行主体可以基于视频内差异信息和视频间差异信息构建损失函数,并基于损失函数、第一样本视频帧集合和第二样本视频帧集合,对待训练模型进行训练,得到预训练模型303。
本公开上述实施例提供的用于生成预训练模型的方法,能够基于视频内部各视频帧的图像特征,提取第一样本视频帧集合,以及,从其他视频中提取第二样本视频帧集合,基于第一样本视频帧集合内部的对比学习,以及第一样本视频帧集合和第二样本视频帧集合之间的对比学习,对待训练模型进行训练,无需人工标注样本,实现了视频特征的自学习,能够提高预训练模型的生成效率。
继续参见图4,其示出了根据本公开的用于生成预训练模型的方法的另一个实施例的流程400。如图4所示,本实施例的用于生成预训练模型的方法可以包括以下步骤:
步骤401,获取视频集合。
在本实施例中,对于步骤401的详细描述请参照对于步骤201的详细描述,在此不再赘述。
步骤402,基于图像特征,确定相邻的第一视频帧之间的图像差异参数。
在本实施例中,执行主体可以对视频集合中的至少一个第一视频,基于对该第一视频中各个相邻的第一视频帧的图像特征进行分析,确定相邻的第一视频帧之间的图像差异参数。其中,图像差异参数用于描述相邻帧图像特征的变化信息。基于图像差异参数,可以确定出该视频中视频画面出现明显变化的视频分割点。具体的,图像差异参数可以包括但不限于方向梯度直方图特征值之间的差值的绝对值、帧差绝对值、视频帧之间的相似度等,本实施例对此不做限定。
步骤403,基于图像差异参数,将第一视频划分为视频片段。
在本实施例中,执行主体可以基于图像差异参数,确定出视频中画面出现明显变化的视频分割点。例如,某对相邻帧之间的图像差异参数指示该相邻帧之间的图像差异较大,则可以将该相邻帧对应的视频时间点确定为一个视频分割点。之后,执行主体可以基于各个视频分割点,将第一视频划分为视频片段。其中,每个视频片段内部包含相似的图像特征,且各个视频片段之间包含具有差异的图像特征。
在本实施例的一些可选的实现方式中,图像差异参数包括方向梯度直方图特征值之间的差值的绝对值;以及,基于图像差异参数,将第一视频划分为视频片段,包括:响应于确定第一视频中目标相邻帧之间的绝对值大于预设的阈值,基于目标相邻帧确定视频分割点;基于视频分割点,将第一视频划分为视频片段。
在本实现方式中,在图像差异参数包括方向梯度直方图特征值之间的差值的绝对值的情况下,执行主体可以预先存储有预设的阈值,例如,预设的阈值可以为0.9。在基于图像差异参数划分视频片段时,可以计算第一视频中各相邻帧之间的方向梯度直方图特征值之间的差值的绝对值。如果各相邻帧中存在目标相邻帧之间的方向梯度直方图特征值之间的差值的绝对值大于预设的阈值,则可以基于目标相邻帧确定视频分割点。并基于该视频分割点将视频划分为至少一个视频片段。
其中,基于目标相邻帧确定视频分割点可以是将目标相邻帧之间发生帧转换的视频时间点,确定为视频分割点。或者,也可以是将目标相邻帧之间的帧位置,确定为视频分割点。例如,可以将目标相邻帧1至2之间的帧位置,即,视频帧1之后且视频帧2之前的帧位置,确定为视频分割点。
步骤404,确定各视频片段对应的第二视频帧。
在本实施例中,执行主体可以从每个视频片段中随机抽取视频帧,作为该视频片段对应的第二视频帧。又或者,执行主体可以按照预设的抽样规则,从每个视频片段中抽取视频帧,作为该视频片段对应的第二视频帧。其中,预设的抽样规则可以包括但不限于抽取指定帧位置的视频帧、抽取指定时间点的视频帧等,本实施例对此不做限定。又或者,执行主体可以对每个视频片段中的各个视频帧进行图像分析,提取出最具代表性的视频帧,作为该视频片段对应的第二视频帧。
步骤405,基于第二视频帧,确定第一样本视频帧集合。
在本实施例中,执行主体可以将各个视频片段对应的第二视频帧进行整合处理,得到第一样本视频帧集合。或者,执行主体也可以将各个视频片段对应的第二视频帧作为基准视频帧,通过对基准视频帧执行图像裁剪、图像增强等图像处理操作,得到第一样本视频帧集合。
步骤406,基于视频集合中除第一视频之外的其他第二视频,确定第二样本视频帧集合。
在本实施例中,执行主体可以从视频集合中除第一视频之外的其他第二视频的各个视频帧中,直接抽取至少一个第二样本视频帧。或者,执行主体也可以从视频集合中除该第一视频之外的其他第二视频的各个视频帧中,先抽取基准视频帧,再对基准视频帧执行图像处理操作,确定得到至少一个第二样本视频帧。之后,执行主体可以将至少一个第二样本视频帧进行整合处理,得到第二样本视频帧集合。
步骤407,基于第一样本视频帧集合和第二样本视频帧集合之间的视频间差异信息以及预设的第一损失函数,确定第一损失信息。
在本实施例中,执行主体可以预先设置有第一损失函数,其中,第一损失函数可以为对比学习场景下中的各类损失函数。优选的,第一损失函数可以采用噪声对比估计损失函数。通过将第一样本视频帧集合和第二样本视频帧集合之间的视频间差异信息,代入预设的第一损失函数,可以得到第一损失信息。
在本实施例的一些可选的实现方式中,还可以执行以下步骤:基于第一样本视频帧集合,生成第一正样本信息;基于第二样本视频帧集合,生成第一负样本信息;基于第一正样本信息和第一负样本信息,生成视频间差异信息。
在本实现方式中,执行主体可以将第一样本视频帧集合中的各个第一样本视频帧进行两两组合,得到若干个正样本对,此时,可以将若干个正样本对确定为上述第一正样本信息。并且,执行主体还可以将第二样本视频帧集合中的第二样本视频帧确定为上述负样本信息。之后,执行主体可以将第一样本视频帧两两组合得到的正样本对,以及第二样本视频帧组成的负样本,作为视频间差异信息。
可选的,在第一损失函数采用噪声对比估计损失函数的情况下,可以将第一样本视频帧两两组合得到的正样本对,以及第二样本视频帧组成的负样本,代入第一损失函数,将损失值确定为第一损失信息。其中,第一损失函数如下:
其中,Lout_shot为第一损失函数,a1、a2、a3指的是第一样本视频帧集合中的第一样本视频帧经卷积神经网络进行编码后的高阶特征。τ指的是温度系数,其中,温度系数是一个恒定的常数,例如温度系数可以为0.7。k-指的是第二样本视频帧集合中的第二样本视频帧经卷积神经网络进行编码后的高阶特征,N指的是第二样本视频帧集合中第二样本视频帧的数量。
步骤408,基于第一样本视频帧集合中各个视频帧之间的视频内差异信息、以及预设的第二损失函数,确定第二损失信息。
在本实施例中,执行主体可以预先设置有第二损失函数,其中,第二损失函数可以为对比学习场景下中的各类损失函数。优选的,第二损失函数可以采用噪声对比估计损失函数。通过将第一样本视频帧集合中各个视频帧的视频内差异信息,代入预设的第二损失函数,可以得到第二损失信息。
在本实施例的一些可选的实现方式中,还可以执行以下步骤:获取第一样本视频帧集合中的至少一个第三视频帧的相似视频帧;基于第三视频帧和相似视频帧,生成第二正样本信息;基于第一样本视频帧集合中除第三视频帧之外的其他第四视频帧,生成第二负样本信息;基于第二正样本信息和第二负样本信息,生成视频内差异信息。
在本实现方式中,对于第一样本视频帧集合中的至少一个第三视频帧,执行主体可以对该第三视频帧进行图像裁剪、图像增强等图像处理操作,得到与该第三视频帧相对应的相似视频帧。其中,相似视频帧的数量为至少一个。之后,执行主体可以将该第三视频帧和该第三视频帧的相似视频帧两两组合,得到若干正样本对,又或者,执行主体可以直接将该第三视频帧的相似视频帧两两组合,得到若干正样本对。之后,执行主体可以将若干正样本对确定为第二正样本信息。以及,执行主体还可以将第一样本视频帧集合中除第三视频帧之外的第四视频帧确定为上述负样本信息。之后,执行主体可以将该第三视频帧和该第三视频帧的相似视频帧两两组合得到的正样本对和第一样本视频帧集合中除该第三视频帧之外的其他第四视频帧组成的负样本,作为视频内差异信息。或者,执行主体可以将该第三视频帧的相似视频帧两两组合得到的正样本对和第一样本视频帧集合中除该第三视频帧之外的其他第四视频帧组成的负样本,作为视频内差异信息。
可选的,在第二损失函数采用噪声对比估计损失函数的情况下,可以将该第三视频帧的相似视频帧两两组合得到的正样本对和第四视频帧组成的负样本,代入第二损失函数,将损失值确定为第二损失信息。其中,第二损失函数如下:
其中,Lin_shot为第二损失函数,a1、a2、a3指的是第一样本视频帧集合中的第一样本视频帧经卷积神经网络进行编码后的高阶特征,a′1和a″1是a1对应的相似视频帧经卷积神经网络进行编码后的高阶特征。τ指的是温度系数,其中,温度系数是一个恒定的常数,例如温度系数可以为0.7。
步骤409,基于第一损失信息和第二损失信息,对待训练模型进行训练,得到训练完成的预训练模型。
在本实施例中,执行主体可以将上述的第一损失函数和第二损失函数求和,得到目标损失函数,目标损失函数如下:
Lall=Lout_shot+Lin_shot
其中,Lall为目标损失函数,Lout_shot为第一损失函数,Lin_shot为第二损失函数。在对待训练模型进行训练的过程中,可以基于目标损失函数确定目标损失信息。其中,目标损失信息即为第一损失信息和第二损失信息之和。可选的,执行主体也可以对第一损失信息和第二损失信息进行加权求和,得到目标损失信息。之后,执行主体可以将上述的第一正样本信息、第一负样本信息、第二正样本信息、第二负样本信息作为模型训练的样本信息,采用对比学习的方式,对上述第一损失信息和第二损失信息进行处理,得到目标损失信息,从而基于目标损失信息迭代优化待训练模型,得到预训练模型。
本公开上述实施例提供的用于生成预训练模型的方法,还可以根据同个视频内的图像差异参数,将同个视频划分为至少一个视频片段,每个视频片段内部相似且视频片段之间不同,从各视频片段抽取视频帧,得到第一样本视频帧集合,从而使得第一样本视频帧集合保留了视频内部的差异信息以及同个视频的同质内容,提高了第一样本视频帧集合的确定精准度。以及,在训练模型时,考虑到了第一样本视频帧集合和第二样本视频帧集合之间的视频间差异信息,以及第一样本视频帧集合中各个视频帧的视频内差异信息,从而提高了预训练模型的训练精度。
继续参见图5,其示出了根据本公开的训练模型的方法的另一个实施例的流程500。如图5所示,本实施例的训练模型的方法可以包括以下步骤:
步骤501,获取基于上述的用于生成预训练模型的方法得到的预训练模型。
在本实施例中,执行主体在执行上述的用于生成预训练模型的方法之后,可以得到能够识别视频特征的预训练模型。在行为识别场景中,执行主体可以先获取上述预训练模型,以对预训练模型进行进一步的训练,得到行为识别模型,用以根据行为识别模型识别视频中的指定行为。
步骤502,对预训练模型添加全连接层,得到初始行为识别模型。
在本实施例中,执行主体可以在预训练模型的最后添加全连接层,得到初始行为识别模型。其中,全连接层可以为随机初始化的全连接层。通过添加全连接层,能够利用随机初始化的全连接层将预训练模型转换为分类头,得到预训练的行为识别模型,即,得到上述初始行为识别模型。
步骤503,基于预设的视频样本以及视频行为标注信息,对初始行为识别模型进行训练,得到训练完成的行为识别模型。
在本实施例中,执行主体可以获取用于模型训练的样本,即,预设的视频样本。以及,执行主体可以确定与每个视频样本相对应的视频行为标注信息。其中,视频行为标注信息可以为针对视频样本中存在的指定行为的标注信息,可以包括对存在指定行为的图像区域进行标注的信息。
之后,执行主体可以将视频样本输入初始行为识别模型,得到初始行为识别模型输出的行为识别结果,再将行为识别结果与视频行为标注信息进行比对,基于行为识别结果与视频行为标注信息之间的差异较大,则改变初始行为识别模型的模型参数,重新训练,直至初始行为识别模型收敛,得到训练完成的行为识别模型。
本公开上述实施例提供的训练模型的方法,通过对预训练的行为识别模型进行模型训练,能够以较小的学习率训练得到行为识别模型,从而提高了行为识别模型的模型训练效率
继续参见图6,其示出了根据本公开的行为识别方法的另一个实施例的流程600。如图6所示,本实施例的行为识别方法可以包括以下步骤:
步骤601,获取待识别视频。
在本实施例中,待识别视频可以为需要进行行为识别的视频。执行主体可以从本地存储或者预先建立连接的电子设备中获取上述待识别视频。
步骤602,基于待识别视频和上述训练模型的方法训练得到的行为识别模型,确定与待识别视频对应的行为识别结果。
在本实施例中,执行主体可以将上述待识别视频输入上述行为识别模型,得到上述行为识别模型输出的行为识别结果。例如,需要进行识别的行为为指定行为,与之对应的行为识别结果可以为待识别视频是否存在该指定行为。
本公开上述实施例提供的行为识别方法,能够利用上述较小的学习率训练得到的行为识别模型,进行行为识别,从而降低了行为识别的算法复杂度,提高行为识别效率。
继续参见图7,其示出了根据本公开的针对视频检索结果的评估方法的另一个实施例的流程700。如图7所示,本实施例的针对视频检索结果的评估方法可以包括以下步骤:
步骤701,获取针对目标视频特征的视频检索结果。
在本实施例中,执行主体可以基于与用户的人机交互操作,确定用户的人机交互操作所触发的需要进行搜索的目标视频特征。之后,执行主体可以基于现有的视频检索算法,确定与目标视频特征相对应的视频检索结果。其中,视频检索结果可以包括与目标视频特征相关的若干视频。
步骤702,基于视频检索结果和上述用于生成预训练模型的方法得到的预训练模型,确定视频检索结果对应的检索视频特征。
在本实施例中,执行主体可以将上述与目标视频特征相关的若干视频,输入上述预训练模型,得到上述预训练模型输出的针对每个视频的视频特征,并基于各个视频的视频特征得到检索视频特征。
步骤703,基于目标视频特征与检索视频特征之间的特征相似度,生成针对视频检索结果的评估信息。
在本实施例中,执行主体可以计算目标视频特征与检索视频特征之间的特征相似度,这里可以采用计算余弦相似度的方法来得到特征相似度。之后,执行主体可以按照特征相似度由高至低的顺序选取若干相似特征,并对若干相似特征进行分析,得到针对视频检索结果的评估信息。其中,评估信息可以指示与目标视频特征相关的若干视频是否为正确的检索。
本公开上述实施例提供的针对视频检索结果的评估方法,可以利用预训练模型提取视频特征,来判断视频检索的结果是否正确,从而提高了视频检索的准确度。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种用于生成预训练模型的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图8所示,本实施例的用于生成预训练模型的装置800包括:视频获取单元801、第一样本确定单元802、第二样本确定单元803和模型预训练单元804。
视频获取单元801,被配置成获取视频集合。
第一样本确定单元802,被配置成基于视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合。
第二样本确定单元803,被配置成基于视频集合中除第一视频之外的其他第二视频,确定第二样本视频帧集合。
模型预训练单元804,被配置成基于第一样本视频帧集合和第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练。
在本实施例的一些可选的实现方式中,第一样本确定单元802进一步被配置成:基于图像特征,确定相邻的第一视频帧之间的图像差异参数;基于图像差异参数,将第一视频划分为视频片段;确定各视频片段对应的第二视频帧;基于第二视频帧,确定第一样本视频帧集合。
在本实施例的一些可选的实现方式中,图像差异参数包括方向梯度直方图特征值之间的差值的绝对值;以及,第一样本确定单元802进一步被配置成:响应于确定第一视频中目标相邻帧之间的绝对值大于预设的阈值,基于目标相邻帧确定视频分割点;基于视频分割点,将第一视频划分为视频片段。
在本实施例的一些可选的实现方式中,模型预训练单元804进一步被配置成:基于第一样本视频帧集合和第二样本视频帧集合之间的视频间差异信息以及预设的第一损失函数,确定第一损失信息;基于第一样本视频帧集合中各视频帧之间的视频内差异信息、以及预设的第二损失函数,确定第二损失信息;基于第一损失信息和第二损失信息,对待训练模型进行训练。
在本实施例的一些可选的实现方式中,模型预训练单元804进一步被配置成:基于第一样本视频帧集合,生成第一正样本信息;基于第二样本视频帧集合,生成第一负样本信息;基于第一正样本信息和第一负样本信息,生成视频间差异信息。
在本实施例的一些可选的实现方式中,模型预训练单元804进一步被配置成:获取第一样本视频帧集合中的至少一个第三视频帧的相似视频帧;基于第三视频帧和相似视频帧,生成第二正样本信息;基于第一样本视频帧集合中除第三视频帧之外的其他第四视频帧,生成第二负样本信息;基于第二正样本信息和第二负样本信息,生成视频内差异信息。
应当理解,用于生成预训练模型的装置800中记载的单元801至单元804分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于生成预训练模型的方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
进一步参考图9,作为对上述各图所示方法的实现,本公开提供了一种训练模型的装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图9所示,本实施例的训练模型的装置900包括:预训练模型获取单元901、模型确定单元902和模型训练单元903。
预训练模型获取单元901,被配置成获取基于上述的用于生成预训练模型的装置得到的预训练模型。
模型确定单元902,被配置成对预训练模型添加全连接层,得到初始行为识别模型。
模型训练单元903,被配置成基于预设的视频样本以及视频行为标注信息,对初始行为识别模型进行训练,得到训练完成的行为识别模型。
应当理解,训练模型的装置900中记载的单元901至单元904分别与参考图5中描述的方法中的各个步骤相对应。由此,上文针对训练模型的方法描述的操作和特征同样适用于装置900及其中包含的单元,在此不再赘述。
进一步参考图10,作为对上述各图所示方法的实现,本公开提供了一种行为识别装置的一个实施例,该装置实施例与图6所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图10所示,本实施例的行为识别装置1000包括:行为识别单元。
行为识别单元,被配置成获取待识别视频;基于待识别视频和上述训练模型的装置训练得到的行为识别模型,确定与待识别视频对应的行为识别结果。
应当理解,行为识别装置1000中记载的单元分别与参考图6中描述的方法中的各个步骤相对应。由此,上文针对行为识别方法描述的操作和特征同样适用于装置1000及其中包含的单元,在此不再赘述。
进一步参考图11,作为对上述各图所示方法的实现,本公开提供了一种针对视频检索结果的评估装置的一个实施例,该装置实施例与图7所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图11所示,本实施例的针对视频检索结果的评估装置1100包括:结果获取单元1101、特征确定单元1102和评估单元1103。
结果获取单元1101,被配置成获取针对目标视频特征的视频检索结果。
特征确定单元1102,被配置成基于视频检索结果和上述用于生成预训练模型的方法得到的预训练模型,确定视频检索结果对应的检索视频特征。
评估单元1103,被配置成基于目标视频特征与检索视频特征之间的特征相似度,生成针对视频检索结果的评估信息。
应当理解,针对视频检索结果的评估装置1100中记载的单元分别与参考图7中描述的方法中的各个步骤相对应。由此,上文针对针对视频检索结果的评估方法描述的操作和特征同样适用于装置1100及其中包含的单元,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200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1201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1201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1201执行上文所描述的各个方法和处理,例如用于生成预训练模型的方法、训练模型的方法、行为识别方法、针对视频检索结果的评估方法。例如,在一些实施例中,用于生成预训练模型的方法、训练模型的方法、行为识别方法、针对视频检索结果的评估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1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM1203并由计算单元1201执行时,可以执行上文描述的用于生成预训练模型的方法、训练模型的方法、行为识别方法、针对视频检索结果的评估方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于生成预训练模型的方法、训练模型的方法、行为识别方法、针对视频检索结果的评估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)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,也可以为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 (21)
1.一种用于生成预训练模型的方法,包括:
获取视频集合;
基于所述视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合;
基于所述视频集合中除所述第一视频之外的其他第二视频,确定第二样本视频帧集合;
基于所述第一样本视频帧集合和所述第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练。
2.根据权利要求1所述的方法,其中,所述基于所述视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合,包括:
基于所述图像特征,确定相邻的所述第一视频帧之间的图像差异参数;
基于所述图像差异参数,将所述第一视频划分为视频片段;
确定各所述视频片段对应的第二视频帧;
基于所述第二视频帧,确定所述第一样本视频帧集合。
3.根据权利要求2所述的方法,其中,所述图像差异参数包括方向梯度直方图特征值之间的差值的绝对值;以及
所述基于所述图像差异参数,将所述第一视频划分为视频片段,包括:
响应于确定所述第一视频中目标相邻帧之间的所述绝对值大于预设的阈值,基于所述目标相邻帧确定视频分割点;
基于所述视频分割点,将所述第一视频划分为所述视频片段。
4.根据权利要求1至3任一项所述的方法,其中,所述基于所述第一样本视频帧集合和所述第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练,包括:
基于所述第一样本视频帧集合和所述第二样本视频帧集合之间的所述视频间差异信息以及预设的第一损失函数,确定第一损失信息;
基于所述第一样本视频帧集合中各视频帧之间的所述视频内差异信息、以及预设的第二损失函数,确定第二损失信息;
基于所述第一损失信息和所述第二损失信息,对所述待训练模型进行训练。
5.根据权利要求4所述的方法,还包括:
基于所述第一样本视频帧集合,生成第一正样本信息;
基于所述第二样本视频帧集合,生成第一负样本信息;
基于所述第一正样本信息和所述第一负样本信息,生成所述视频间差异信息。
6.根据权利要求4所述的方法,还包括:
获取所述第一样本视频帧集合中的至少一个第三视频帧的相似视频帧;
基于所述第三视频帧和所述相似视频帧,生成第二正样本信息;
基于所述第一样本视频帧集合中除所述第三视频帧之外的其他第四视频帧,生成第二负样本信息;
基于所述第二正样本信息和所述第二负样本信息,生成所述视频内差异信息。
7.一种训练模型的方法,包括:
获取基于权利要求1至6任一项所述的用于生成预训练模型的方法得到的预训练模型;
对所述预训练模型添加全连接层,得到初始行为识别模型;
基于预设的视频样本以及视频行为标注信息,对所述初始行为识别模型进行训练,得到训练完成的行为识别模型。
8.一种行为识别方法,包括:
获取待识别视频;
基于所述待识别视频和权利要求7所述的训练模型的方法训练得到的行为识别模型,确定与所述待识别视频对应的行为识别结果。
9.一种针对视频检索结果的评估方法,包括:
获取针对目标视频特征的视频检索结果;
基于所述视频检索结果和权利要求1至6任一项所述的用于生成预训练模型的方法得到的预训练模型,确定所述视频检索结果对应的检索视频特征;
基于所述目标视频特征与所述检索视频特征之间的特征相似度,生成针对所述视频检索结果的评估信息。
10.一种用于生成预训练模型的装置,包括:
视频获取单元,被配置成获取视频集合;
第一样本确定单元,被配置成基于所述视频集合中第一视频的第一视频帧的图像特征,确定第一样本视频帧集合;
第二样本确定单元,被配置成基于所述视频集合中除所述第一视频之外的其他第二视频,确定第二样本视频帧集合;
模型预训练单元,被配置成基于所述第一样本视频帧集合和所述第二样本视频帧集合中的视频间差异信息以及视频内差异信息,对待训练模型进行训练。
11.根据权利要求10所述的装置,其中,所述第一样本确定单元进一步被配置成:
基于所述图像特征,确定相邻的所述第一视频帧之间的图像差异参数;
基于所述图像差异参数,将所述第一视频划分为视频片段;
确定各所述视频片段对应的第二视频帧;
基于所述第二视频帧,确定所述第一样本视频帧集合。
12.根据权利要求11所述的装置,其中,所述图像差异参数包括方向梯度直方图特征值之间的差值的绝对值;以及
所述第一样本确定单元进一步被配置成:
响应于确定所述第一视频中目标相邻帧之间的所述绝对值大于预设的阈值,基于所述目标相邻帧确定视频分割点;
基于所述视频分割点,将所述第一视频划分为所述视频片段。
13.根据权利要求10至12任一项所述的装置,其中,所述模型预训练单元进一步被配置成:
基于所述第一样本视频帧集合和所述第二样本视频帧集合之间的所述视频间差异信息以及预设的第一损失函数,确定第一损失信息;
基于所述第一样本视频帧集合中各视频帧之间的所述视频内差异信息、以及预设的第二损失函数,确定第二损失信息;
基于所述第一损失信息和所述第二损失信息,对所述待训练模型进行训练。
14.根据权利要求13所述的装置,其中,所述模型预训练单元进一步被配置成:
基于所述第一样本视频帧集合,生成第一正样本信息;
基于所述第二样本视频帧集合,生成第一负样本信息;
基于所述第一正样本信息和所述第一负样本信息,生成所述视频间差异信息。
15.根据权利要求13所述的装置,其中,所述模型预训练单元进一步被配置成:
获取所述第一样本视频帧集合中的至少一个第三视频帧的相似视频帧;
基于所述第三视频帧和所述相似视频帧,生成第二正样本信息;
基于所述第一样本视频帧集合中除所述第三视频帧之外的其他第四视频帧,生成第二负样本信息;
基于所述第二正样本信息和所述第二负样本信息,生成所述视频内差异信息。
16.一种训练模型的装置,包括:
预训练模型获取单元,被配置成获取基于权利要求1至6任一项所述的用于生成预训练模型的方法得到的预训练模型;
模型确定单元,被配置成对所述预训练模型添加全连接层,得到初始行为识别模型;
模型训练单元,被配置成基于预设的视频样本以及视频行为标注信息,对所述初始行为识别模型进行训练,得到训练完成的行为识别模型。
17.一种行为识别装置,包括:
行为识别单元,被配置成获取待识别视频;基于所述待识别视频和权利要求7所述的训练模型的方法训练得到的行为识别模型,确定与所述待识别视频对应的行为识别结果。
18.一种针对视频检索结果的评估装置,包括:
结果获取单元,被配置成获取针对目标视频特征的视频检索结果;
特征确定单元,被配置成基于所述视频检索结果和权利要求1至6任一项所述的用于生成预训练模型的方法得到的预训练模型,确定所述视频检索结果对应的检索视频特征;
评估单元,被配置成基于所述目标视频特征与所述检索视频特征之间的特征相似度,生成针对所述视频检索结果的评估信息。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
21.一种计算机程序产品,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1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473240.8A CN114882334B (zh) | 2022-04-29 | 2022-04-29 | 用于生成预训练模型的方法、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473240.8A CN114882334B (zh) | 2022-04-29 | 2022-04-29 | 用于生成预训练模型的方法、模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882334A true CN114882334A (zh) | 2022-08-09 |
CN114882334B CN114882334B (zh) | 2023-04-28 |
Family
ID=82673365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210473240.8A Active CN114882334B (zh) | 2022-04-29 | 2022-04-29 | 用于生成预训练模型的方法、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882334B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132752A (zh) * | 2023-04-13 | 2023-05-16 | 北京百度网讯科技有限公司 | 视频对照组构造、模型训练、视频打分方法、装置及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682108A (zh) * | 2016-12-06 | 2017-05-17 | 浙江大学 | 一种基于多模态卷积神经网络的视频检索方法 |
CN110765967A (zh) * | 2019-10-30 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的动作识别方法和相关装置 |
CN111324769A (zh) * | 2020-01-20 | 2020-06-23 | 腾讯科技(北京)有限公司 | 视频信息处理模型的训练方法、视频信息处理方法及装置 |
US20210142107A1 (en) * | 2019-11-11 | 2021-05-13 | Five AI Limited | Image processing |
CN113326767A (zh) * | 2021-05-28 | 2021-08-31 | 北京百度网讯科技有限公司 | 视频识别模型训练方法、装置、设备以及存储介质 |
CN113486833A (zh) * | 2021-07-15 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 多模态特征提取模型训练方法、装置、电子设备 |
CN113627536A (zh) * | 2021-08-12 | 2021-11-09 | 北京百度网讯科技有限公司 | 模型训练、视频分类方法,装置,设备以及存储介质 |
CN113743332A (zh) * | 2021-09-08 | 2021-12-03 | 中国科学院自动化研究所 | 基于通用视觉预训练模型的图像质量评价方法及系统 |
CN114241376A (zh) * | 2021-12-15 | 2022-03-25 | 深圳先进技术研究院 | 行为识别模型训练和行为识别方法、装置、系统及介质 |
CN114282058A (zh) * | 2021-08-10 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 模型训练与视频主题预测的方法、装置及设备 |
CN114283350A (zh) * | 2021-09-17 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 视觉模型训练和视频处理方法、装置、设备及存储介质 |
-
2022
- 2022-04-29 CN CN202210473240.8A patent/CN114882334B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682108A (zh) * | 2016-12-06 | 2017-05-17 | 浙江大学 | 一种基于多模态卷积神经网络的视频检索方法 |
CN110765967A (zh) * | 2019-10-30 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的动作识别方法和相关装置 |
US20210142107A1 (en) * | 2019-11-11 | 2021-05-13 | Five AI Limited | Image processing |
CN111324769A (zh) * | 2020-01-20 | 2020-06-23 | 腾讯科技(北京)有限公司 | 视频信息处理模型的训练方法、视频信息处理方法及装置 |
CN113326767A (zh) * | 2021-05-28 | 2021-08-31 | 北京百度网讯科技有限公司 | 视频识别模型训练方法、装置、设备以及存储介质 |
CN113486833A (zh) * | 2021-07-15 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 多模态特征提取模型训练方法、装置、电子设备 |
CN114282058A (zh) * | 2021-08-10 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 模型训练与视频主题预测的方法、装置及设备 |
CN113627536A (zh) * | 2021-08-12 | 2021-11-09 | 北京百度网讯科技有限公司 | 模型训练、视频分类方法,装置,设备以及存储介质 |
CN113743332A (zh) * | 2021-09-08 | 2021-12-03 | 中国科学院自动化研究所 | 基于通用视觉预训练模型的图像质量评价方法及系统 |
CN114283350A (zh) * | 2021-09-17 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 视觉模型训练和视频处理方法、装置、设备及存储介质 |
CN114241376A (zh) * | 2021-12-15 | 2022-03-25 | 深圳先进技术研究院 | 行为识别模型训练和行为识别方法、装置、系统及介质 |
Non-Patent Citations (2)
Title |
---|
LI DONG ET AL.: "Unified Language Model Pre-training for Natural Language Understanding and Generation" * |
陈明: "基于多头注意力机制的视频描述生成算法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132752A (zh) * | 2023-04-13 | 2023-05-16 | 北京百度网讯科技有限公司 | 视频对照组构造、模型训练、视频打分方法、装置及设备 |
CN116132752B (zh) * | 2023-04-13 | 2023-12-08 | 北京百度网讯科技有限公司 | 视频对照组构造、模型训练、视频打分方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114882334B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN113239807B (zh) | 训练票据识别模型和票据识别的方法和装置 | |
CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114898266B (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN113360700A (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
CN113011309A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
CN116935287A (zh) | 视频理解方法和装置 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN114882334B (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN113657248A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN113177483B (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
CN113989152A (zh) | 图像增强方法、装置、设备以及存储介质 | |
CN113642472A (zh) | 判别器模型的训练方法和动作识别方法 |
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 |