CN115294501A - 视频识别方法、视频识别模型训练方法、介质及电子设备 - Google Patents

视频识别方法、视频识别模型训练方法、介质及电子设备 Download PDF

Info

Publication number
CN115294501A
CN115294501A CN202210964357.6A CN202210964357A CN115294501A CN 115294501 A CN115294501 A CN 115294501A CN 202210964357 A CN202210964357 A CN 202210964357A CN 115294501 A CN115294501 A CN 115294501A
Authority
CN
China
Prior art keywords
video
image
violation
features
category
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.)
Pending
Application number
CN202210964357.6A
Other languages
English (en)
Inventor
周依梦
郭明宇
冉蛟
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao 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 Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202210964357.6A priority Critical patent/CN115294501A/zh
Publication of CN115294501A publication Critical patent/CN115294501A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Abstract

本公开涉及一种视频识别方法、视频识别模型训练方法、介质及电子设备，涉及图像技术领域，该方法包括：确定待识别视频对应的视频违规类别；从待识别视频中提取图像帧；将视频违规类别以及图像帧作为视频识别模型的输入，获得图像帧的图像识别结果。由于视频违规类别能够为视频识别模型对图像帧的识别提供先验信息，使得视频识别模型从图像帧中提取到的特征与所述视频违规类别相关，从而使得获得的违规图像位置和/或图像违规类别更加准确。而且，能够保证获得的图像帧的违规图像位置和/或图像违规类别与待识别视频的视频违规类别保持一致性。例如，视频识别模型输出的违规图像位置和/或图像违规类别能够与视频违规类别保持一致。

Description

视频识别方法、视频识别模型训练方法、介质及电子设备
技术领域
本公开涉及图像技术领域，具体地，涉及一种视频识别方法、视频识别模型训练方法、装置、介质及电子设备。
背景技术
随着互联网技术的快速发展，网络上的流媒体资源呈爆炸式增长。与此同时，大量涉及暴力、色情等违规的视频也在互联网上快速传播。因此，对视频内容提出了更高的识别要求。
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。
第一方面，本公开实施例提供一种视频识别方法，包括：
从所述待识别视频中提取图像帧；
将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
第二方面，本公开实施例提供一种视频识别模型训练方法，包括：
获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框和/或以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别；
通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
第三方面，本公开实施例提供一种视频识别装置，包括：
确定模块，配置为确定待识别视频对应的视频违规类别；
提取模块，配置为从所述待识别视频中提取图像帧；
识别模块，配置为将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
第四方面，本公开实施例提供一种视频识别模型训练装置，包括：
获取模块，配置为获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别；
训练模块，配置为通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
第五方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述的视频识别方法的步骤，或者实现第二方面所述的视频识别模型训练方法的步骤。
第六方面，本公开实施例提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述的视频识别方法的步骤，或者实现第二方面所述的视频识别模型训练方法的步骤。
基于上述技术方案，通过将视频违规类别以及图像帧作为视频识别模型的输入，获得图像帧的图像识别结果，由于视频违规类别能够为视频识别模型对图像帧的识别提供先验信息，使得视频识别模型从图像帧中提取到的特征与所述视频违规类别相关，从而使得获得的违规图像位置和/或图像违规类别更加准确。而且，能够保证获得的图像帧的违规图像位置和/或图像违规类别与待识别视频的视频违规类别保持一致性。例如，视频识别模型输出的违规图像位置和/或图像违规类别能够与视频违规类别保持一致。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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。在附图中：
图1是根据一些实施例示出的一种视频识别方法的流程图。
图2是根据一些实施例示出的一种视频识别方法的应用场景示意图。
图3是根据一些实施例示出的视频识别模型的结构示意图。
图4是根据另一些实施例示出的视频识别模型的结构示意图。
图5是根据又一些实施例示出的视频识别模型的结构示意图。
图6是根据一些实施例示出的一种视频识别模型训练方法的流程图。
图7是根据一些实施例示出的一种视频识别装置的模块连接示意图。
图8是根据一些实施例示出的一种视频识别模型训练装置的模块连接示意图。
图9是根据一些实施例示出的一种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是根据一些实施例示出的一种视频识别方法的流程图。如图1所示，本公开实施例提供一种视频识别播放方法，该方法可以通过电子设备执行，具体可以是通过一种视频识别播放装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。如图1所示，该方法可以包括以下步骤。
在步骤110中，确定待识别视频对应的视频违规类别。
这里，待识别视频可以是指任一用户通过各类视频应用程序上传至互联网的视频。视频违规类别是指待识别视频所属的整体违规类别，例如，视频违规类别可以包括“违禁品销售”、“色情”、“暴力”以及“低俗”等等类别。应当理解的是，视频违规类别的数量可以为一个或多个。
在一些实施例中，可以将所述待识别视频作为视频检测模型的输入，获得所述视频违规类别。
其中，所述视频检测模型是利用携带有视频违规类别的标签的视频样本对机器学习模型进行训练获得的。
这里，视频检测模型是预先训练好的能够准确对视频在不同视频违规类别下进行打分的神经网络模型，例如，深度神经网络模型(Deep Neural Networks，DNN)或者卷积神经网络模型(Convolutional Neural Networks，CNN)。通过将待识别视频作为视频检测模型的输入，视频检测模型输出该待识别视频对应的视频违规类别。
在步骤120中，从所述待识别视频中提取图像帧。
这里，图像帧是从待识别视频中提取到的视频帧，该图像帧可以是待识别视频中在某些时刻下的能够涵盖该待识别视频大部分画面特征的视频帧。
作为一些示例，可以提取待识别视频中的每一帧视频帧作为图像帧。
作为又一些示例，可以根据预设的时间间隔，从待识别视频中提取若干视频帧作为图像帧。
作为另一些示例，可以按照预设的总帧数从待识别视频中提取固定数量的视频帧作为图像帧。例如，不管待识别视频的长短，均从待识别视频中抽取10帧作为图像帧。
在步骤130中，将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
这里，可以将视频违规类别以及图像帧作为视频识别模型的输入，获得图像帧的图像识别结果。该图像识别结果包括图像帧对应的违规图像位置和/或违规图像位置所属的图像违规类别。其中，违规图像位置是指图像帧中存在违规的图像位置，其可以通过边界框(bounding box)在图像帧中进行标记，也可以通过图像坐标进行标注。图像违规类别是指违规图像位置的图像对应的违规类别，如“违禁品销售”、“色情”、“暴力”以及“低俗”等等类别。
应当理解的是，视频识别模型输出的图像识别结果是可以根据实际情况设置的，其与视频识别模型的图像识别逻辑无关。例如，可以将视频识别模型的输出结果设置为输出违规图像位置，也可以将视频识别模型的输出结果设置为输出违规图像位置以及视频违规类别。
值得说明的是，视频违规类别反映了待识别视频存在的违规问题，通过结合视频违规类别，视频识别模型能够以视频违规类别作为先验信息，从图像帧准确地提取到与视频违规类别相关的特征，从而使得根据该特征确定到与视频违规类别相关的违规图像位置和/或图像违规类别。
图2是根据一些实施例示出的一种视频识别方法的应用场景示意图。如图2所示，在实际应用场景中，可以将待识别视频作为视频检测模型的输入，获得视频违规类别。在该视频违规类别表征待识别视频不存在违规时，则结束视频识别。在该视频违规类别表征待识别视频存在违规时，从待识别视频中提取图像帧，并将图像帧以及视频违规类别作为视频识别模型的输入，获得图像识别结果。
由此，通过将视频违规类别以及图像帧作为视频识别模型的输入，获得图像帧的图像识别结果，由于视频违规类别能够为视频识别模型对图像帧的识别提供先验信息，使得视频识别模型从图像帧中提取到的特征与所述视频违规类别相关，从而使得获得的违规图像位置和/或图像违规类别更加准确。而且，能够保证获得的图像帧的违规图像位置和/或图像违规类别与待识别视频的视频违规类别保持一致性。例如，视频识别模型输出的违规图像位置和/或图像违规类别能够与视频违规类别保持一致。
在一些可以实现的实施方式中，视频识别模型配置为：
对所述视频违规类别的文本特征以及所述图像帧的图像特征进行融合，获得融合特征，并基于所述融合特征获得所述图像识别结果。
这里，视频识别模型可以通过embedding层将视频违规类别处理为文本特征，可以通过卷积神经网络(Convolutional Neural Networks，CNN)将图像帧处理为图像特征，然后将文本特征与图像特征进行融合，获得融合特征。进一步地，可以通过该融合特征，获得对应的图像识别结果。
示例性地，视频识别模型将文本特征与图像特征进行融合，可以是对文本特征与图像特征进行拼接，获得融合特征。
由此，通过将视频识别模型配置为对于视频违规类别的文本特征以及图像帧的图像特征进行融合，获得融合特征，基于该融合特征，能够在特征学习阶段以及预测阶段中，使得提取到的图像特征以及预测结果能够与视频违规类别强相关，从而使得获得的图像识别结果更加准确。
图3是根据一些实施例示出的视频识别模型的结构示意图。如图3所示，在一些可以实现的实施方式中，视频识别模型包括第一特征提取层、第二特征提取层、融合层、特征学习层以及预测层。其中，第一特征提取层、融合层、特征学习层以及预测层依次连接，第二特征提取层与融合层连接。
第一特征提取层配置为从图像帧中提取得到图像特征；第二特征提取层配置为从视频违规类别中提取得到文本特征；融合层配置为接收第一特征提取层输出的图像特征以及接收第二特征提取层输出的文本特征，并融合图像特征以及文本特征，获得融合特征；特征学习层配置为对融合特征进行向量编码，获得特征向量；预测层配置为根据特征向量获得图像识别结果。
其中，第一特征提取层可以为卷积神经网络(Convolutional Neural Networks，CNN)。第二特征提取层可以为embedding层。融合层可以是对文本特征以及图像特征进行拼接，获得融合特征。特征学习层可以为Transformer神经网络，Transformer神经网络通过使用注意力机制，可以使得学习到的特征向量更加准确。预测层可以为全连接神经网络(Fully Neural Network，FNN)。
由此，通过视频识别模型对视频违规类别以及图像帧进行处理，可以将视频违规类别作为先验信息，使得视频识别模型的特征学习层能够从图像帧中提取到与视频违规类别相关的图像特征，以及使得预测层能够获得更加准确的图像识别结果。
在一些可以实现的实施方式中，视频识别模型可以包括：
第三特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第四特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
Transformer神经网络，配置为根据所述图像特征以及位置编码，获得序列特征，通过编码器对所述序列特征进行处理，获得编码向量，且根据所述文本特征以及可学习的位置嵌套，获得所述融合特征，并通过解码器对所述编码向量以及所述融合特征进行处理，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
图4是根据另一些实施例示出的视频识别模型的结构示意图。如图4所示，视频识别模型包括第三特征提取层410、第四特征提取层420、Transformer神经网络430以及预测层440。
其中，第三特征提取层410配置为从图像帧中提取得到图像特征，该第三特征提取层410可以为卷积神经网络(Convolutional Neural Networks，CNN)。第四特征提取层420配置为从视频违规类别中提取得到文本特征，该第四特征提取层420可以为embedding层。
Transformer神经网络430包括第一融合模块431、编码器432、第二融合模块433以及解码器434。Transformer神经网络430通过第一融合模块431对图像特征以及位置编码(positional encoding)进行向量求和处理，获得序列特征，通过编码器432对序列特征进行处理，获得编码向量。且通过第二融合模块433对文本特征以及可学习的位置嵌套(positional embeddings，或者称作object queries)进行融合，获得融合特征。并通过解码器434对编码器432输出的编码向量以及第二融合模块433输出的融合特征进行处理，获得特征向量。
值得说明的是，解码器通过注意力机制，使得可学习的位置嵌套中的每个元素可以捕获到原图像中不同位置与大小特征的物体信息。通过将可学习的位置嵌套与文本特征进行融合，使得解码器在提取特征向量时，能够在编码向量中关注到与视频违规类别相关的特征。
预测层440则接收解码器434输出的特征向量，并根据特征向量获得图像识别结果。其中，预测层可以为全连接神经网络(Fully Neural Network，FNN)。
由此，通过视频识别模型对视频违规类别以及图像帧进行处理，使得视频识别模型的Transformer神经网络能够从图像帧中提取到与视频违规类别相关的图像特征，以及使得预测层能够获得更加准确的图像识别结果。
在一些可以实现的实施方式中，视频识别模型可以包括：
第五特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第六特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
Transformer神经网络，配置为根据所述图像特征、所述文本特征以及位置编码，获得第一融合特征，通过编码器对所述第一融合特征进行处理，获得编码向量，且根据所述文本特征以及可学习的位置嵌套，获得第二融合特征，并通过解码器所述编码向量以及所述第二融合特征进行处理，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
图5是根据又一些实施例示出的视频识别模型的结构示意图。如图5所示，视频识别模型包括第五特征提取层510、第六特征提取层520、Transformer神经网络530以及预测层540。
其中，第五特征提取层510配置为从图像帧中提取得到图像特征，该第五特征提取层510可以为卷积神经网络(Convolutional Neural Networks，CNN)。第六特征提取层520配置为从视频违规类别中提取得到文本特征，该第六特征提取层520可以为embedding层。
Transformer神经网络530包括第一融合模块531、编码器532、第二融合模块533以及解码器534。Transformer神经网络530通过第一融合模块531对图像特征、文本特征以及位置编码(positional encoding)进行向量求和处理，获得序列特征，通过编码器532对序列特征进行处理，获得编码向量。且通过第二融合模块533对文本特征以及可学习的位置嵌套(positional embeddings，或者称作object queries)进行融合，获得融合特征。并通过解码器534对编码器532输出的编码向量以及第二融合模块533输出的融合特征进行处理，获得特征向量。
值得说明的是，解码器通过注意力机制，使得可学习的位置嵌套中的每个元素可以捕获到原图像中不同位置与大小特征的物体信息。通过将可学习的位置嵌套与文本特征进行融合，使得解码器在提取特征向量时，能够在编码向量中关注到与视频违规类别相关的特征。
预测层540则接收解码器534输出的特征向量，并根据特征向量获得图像识别结果。其中，预测层可以为全连接神经网络(Fully Neural Network，FNN)。
由此，通过视频识别模型对视频违规类别以及图像帧进行处理，使得视频识别模型的Transformer神经网络能够从图像帧中提取到与视频违规类别相关的图像特征，以及使得预测层能够获得更加准确的图像识别结果。
图6是根据一些实施例示出的一种视频识别模型训练方法的流程图。如图6所示，本公开实施例提供一种视频识别模型训练方法，该方法可以通过电子设备执行，具体可以是通过一种视频识别模型训练装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。如图6所示，该方法可以包括以下步骤。
在步骤610中，获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别。
这里，训练图像集包括至少一个图像样本，每一图像样本包括第一标签以及第二标签。其中，第一标签包括用于对图像样本中的违规图像位置进行标记的标记框以及标记框所属的图像违规类别。例如，在图像样本中通过标记框对违规图像位置进行标记。图像违规类别是指违规图像位置所属的违规类别，例如，“违禁品销售”、“色情”、“暴力”以及“低俗”等等类别。第二标签包括图像样本对应的视频违规类别。其中，该视频违规类别可以是指图像样本对应的视频的视频违规类别，即图像样本可以是在视频中抽取到的视频帧。当然，视频违规类别也可以是指图像样本自身的整体违规类别。
在一些实施例中，可以将图像样本作为视频检测模型的输入，获得该视频违规类别。
应当理解的是，在上述实施例中已经对视频检测模型进行了详细说明，在此不再赘述。
在步骤620中，通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
这里，利用训练图像集对机器学习模型进行训练的过程可以是：将图像样本输入机器学习模型，获得机器学习模型预测的图像样本对应的预测违规图像位置以及预测图像违规类别，通过损失函数计算预测违规图像位置以及预测图像违规类别与第一标签之间的损失值，并根据损失值对机器学习模型的参数进行调整，直至收敛至预设条件，完成对机器学习模型的训练，获得视频识别模型。
其中，机器学习模型可以是上述图3所示的视频识别模型、图4所示的视频识别模型以及图5所示的视频识别模型中的一种。
由此，通过使用携带有第一标签和第二标签的图像样本对机器学习模型进行训练，获得视频识别模型，可以使得视频识别模型获得的违规图像位置和/或图像违规类别更加准确。而且，能够保证获得的图像帧的违规图像位置和/或图像违规类别与视频违规类别保持一致性。
图7是根据一些实施例示出的一种视频识别装置的模块连接示意图。如图7所示，该视频识别装置700包括：
确定模块701，配置为确定待识别视频对应的视频违规类别；
提取模块702，配置为从所述待识别视频中提取图像帧；
识别模块703，配置为将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
可选地，所述视频识别模型配置为：
对所述视频违规类别的文本特征以及所述图像帧的图像特征进行融合，获得融合特征，并基于所述融合特征获得所述图像识别结果。
可选地，所述视频识别模型包括：
第一特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第二特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
融合层，配置为融合所述图像特征以及所述文本特征，获得所述融合特征；
特征学习层，配置为对所述融合特征进行向量编码，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
可选地，所述特征学习层包括Transformer神经网络。
可选地，所述视频识别模型包括：
第三特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第四特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
Transformer神经网络，配置为根据所述图像特征以及位置编码，获得序列特征，通过编码器对所述序列特征进行处理，获得编码向量，且根据所述文本特征以及可学习的位置嵌套，获得所述融合特征，并通过解码器对所述编码向量以及所述融合特征进行处理，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
可选地，所述视频识别模型包括：
第五特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第六特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
Transformer神经网络，配置为根据所述图像特征、所述文本特征以及位置编码，获得第一融合特征，通过编码器对所述第一融合特征进行处理，获得编码向量，且根据所述文本特征以及可学习的位置嵌套，获得第二融合特征，并通过解码器所述编码向量以及所述第二融合特征进行处理，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
可选地，所述确定模块701具体配置为：
将所述待识别视频作为视频检测模型的输入，获得所述视频违规类别，其中，所述视频检测模型是利用携带有视频违规类别的标签的视频样本对机器学习模型进行训练获得的。
关于上述实施例中的视频识别装置700，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图8是根据一些实施例示出的一种视频识别模型训练装置的模块连接示意图。如图8所示，该视频识别模型训练装置800包括：
获取模块801，配置为获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别；
训练模块802，配置为通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
关于上述实施例中的视频识别装置800，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
下面参考图9，其示出了适于用来实现本公开实施例的电子设备600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6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6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601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，电子设备之间可以利用诸如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：确定待识别视频对应的视频违规类别；从所述待识别视频中提取图像帧；将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
或者，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：获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别；通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
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模块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，模块的名称在某种情况下并不构成对该模块本身的限定。
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。
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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种视频识别方法，其特征在于，包括：
确定待识别视频对应的视频违规类别；
从所述待识别视频中提取图像帧；
将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
2.根据权利要求1所述的方法，其特征在于，所述视频识别模型配置为：
对所述视频违规类别的文本特征以及所述图像帧的图像特征进行融合，获得融合特征，并基于所述融合特征获得所述图像识别结果。
3.根据权利要求2所述的方法，其特征在于，所述视频识别模型包括：
第一特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第二特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
融合层，配置为融合所述图像特征以及所述文本特征，获得所述融合特征；
特征学习层，配置为对所述融合特征进行向量编码，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
4.根据权利要求3所述的方法，其特征在于，所述特征学习层包括Transformer神经网络。
5.根据权利要求2所述的方法，其特征在于，所述视频识别模型包括：
第三特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第四特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
Transformer神经网络，配置为根据所述图像特征以及位置编码，获得序列特征，通过编码器对所述序列特征进行处理，获得编码向量，且根据所述文本特征以及可学习的位置嵌套，获得所述融合特征，并通过解码器对所述编码向量以及所述融合特征进行处理，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
6.根据权利要求2所述的方法，其特征在于，所述视频识别模型包括：
第五特征提取层，配置为从所述图像帧中提取得到所述图像特征；
第六特征提取层，配置为从所述视频违规类别中提取得到所述文本特征；
Transformer神经网络，配置为根据所述图像特征、所述文本特征以及位置编码，获得第一融合特征，通过编码器对所述第一融合特征进行处理，获得编码向量，且根据所述文本特征以及可学习的位置嵌套，获得第二融合特征，并通过解码器所述编码向量以及所述第二融合特征进行处理，获得特征向量；
预测层，配置为根据所述特征向量获得所述图像识别结果。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述确定待识别视频对应的视频违规类别，包括：
将所述待识别视频作为视频检测模型的输入，获得所述视频违规类别，其中，所述视频检测模型是利用携带有视频违规类别的标签的视频样本对机器学习模型进行训练获得的。
8.一种视频识别模型训练方法，其特征在于，包括：
获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别；
通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
9.一种视频识别装置，其特征在于，包括：
确定模块，配置为确定待识别视频对应的视频违规类别；
提取模块，配置为从所述待识别视频中提取图像帧；
识别模块，配置为将所述视频违规类别以及所述图像帧作为视频识别模型的输入，获得所述图像帧的图像识别结果，其中，所述图像识别结果包括所述图像帧对应的违规图像位置和/或所述违规图像位置所属的图像违规类别，所述视频违规类别用于使得所述视频识别模型从所述图像帧中提取到的特征与所述视频违规类别相关。
10.一种视频识别模型训练装置，其特征在于，包括：
获取模块，配置为获取训练图像集，其中，所述训练图像集包括至少一个图像样本，所述图像样本具有第一标签以及第二标签，其中，所述第一标签包括用于对所述图像样本中的违规图像位置进行标记的标记框以及所述标记框所属的图像的图像违规类别，所述第二标签包括所述图像样本对应的视频违规类别；
训练模块，配置为通过所述训练图像集，对机器学习模型进行训练，获得视频识别模型。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1至7中任一项所述的视频识别方法的步骤，或者实现权利要求8所述的视频识别模型训练方法的步骤。
12.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1至7中任一项所述的视频识别方法的步骤，或者实现权利要求8所述的视频识别模型训练方法的步骤。
CN202210964357.6A 2022-08-11 2022-08-11 视频识别方法、视频识别模型训练方法、介质及电子设备 Pending CN115294501A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964357.6A CN115294501A (zh) 2022-08-11 2022-08-11 视频识别方法、视频识别模型训练方法、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964357.6A CN115294501A (zh) 2022-08-11 2022-08-11 视频识别方法、视频识别模型训练方法、介质及电子设备

Publications (1)

Publication Number Publication Date
CN115294501A true CN115294501A (zh) 2022-11-04

Family

ID=83827499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964357.6A Pending CN115294501A (zh) 2022-08-11 2022-08-11 视频识别方法、视频识别模型训练方法、介质及电子设备

Country Status (1)

Country Link
CN (1) CN115294501A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601709A (zh) * 2022-11-07 2023-01-13 北京万理软件开发有限公司（Cn） 煤矿员工违规统计系统、方法、装置以及存储介质
CN115761444A (zh) * 2022-11-24 2023-03-07 张栩铭 一种非完整信息目标识别模型的训练方法及目标识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601709A (zh) * 2022-11-07 2023-01-13 北京万理软件开发有限公司（Cn） 煤矿员工违规统计系统、方法、装置以及存储介质
CN115601709B (zh) * 2022-11-07 2023-10-27 北京万理软件开发有限公司 煤矿员工违规统计系统、方法、装置以及存储介质
CN115761444A (zh) * 2022-11-24 2023-03-07 张栩铭 一种非完整信息目标识别模型的训练方法及目标识别方法
CN115761444B (zh) * 2022-11-24 2023-07-25 张栩铭 一种非完整信息目标识别模型的训练方法及目标识别方法

Similar Documents

Publication Publication Date Title
CN112184738B (zh) 一种图像分割方法、装置、设备及存储介质
EP3893125A1 (en) Method and apparatus for searching video segment, device, medium and computer program product
CN115294501A (zh) 视频识别方法、视频识别模型训练方法、介质及电子设备
CN112364829B (zh) 一种人脸识别方法、装置、设备及存储介质
CN113222983A (zh) 图像处理方法、装置、可读介质和电子设备
CN113313064A (zh) 字符识别方法、装置、可读介质及电子设备
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN112766284A (zh) 图像识别方法和装置、存储介质和电子设备
CN109816023B (zh) 用于生成图片标签模型的方法和装置
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN114445813A (zh) 一种字符识别方法、装置、设备及介质
CN111797266B (zh) 图像处理方法和装置、存储介质和电子设备
CN113222050B (zh) 图像分类方法、装置、可读介质及电子设备
CN115984868A (zh) 文本处理方法、装置、介质及设备
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN114511744A (zh) 图像分类方法、装置、可读介质和电子设备
CN112651231B (zh) 口语信息处理方法、装置和电子设备
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN114495081A (zh) 文本识别的方法、装置、可读介质和电子设备
CN114758342A (zh) 文本识别方法、装置、介质及电子设备
CN113971402A (zh) 内容识别方法、装置、介质及电子设备
CN114495080A (zh) 字体识别方法、装置、可读介质及电子设备
CN114187557A (zh) 确定关键帧的方法、装置、可读介质及电子设备
CN113033680A (zh) 视频分类方法、装置、可读介质及电子设备

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