CN116186330B - 一种基于多模态学习的视频去重方法及装置 - Google Patents

一种基于多模态学习的视频去重方法及装置 Download PDF

Info

Publication number
CN116186330B
CN116186330B CN202310442154.5A CN202310442154A CN116186330B CN 116186330 B CN116186330 B CN 116186330B CN 202310442154 A CN202310442154 A CN 202310442154A CN 116186330 B CN116186330 B CN 116186330B
Authority
CN
China
Prior art keywords
video
text
visual
detected
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310442154.5A
Other languages
English (en)
Other versions
CN116186330A (zh
Inventor
朱健
陈�光
曾令仿
李勇
程稳
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310442154.5A priority Critical patent/CN116186330B/zh
Publication of CN116186330A publication Critical patent/CN116186330A/zh
Application granted granted Critical
Publication of CN116186330B publication Critical patent/CN116186330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/7844—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 original textual content or text extracted from visual content or transcript of audio data
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种基于多模态学习的视频去重方法及装置，可以获取视频存储请求，而后，可以根据视频存储请求，确定待检测视频，以及确定数据库中的目标视频，进而，将待检测视频、待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取待检测视频的视觉‑文本多模态特征，将目标视频和目标视频的文本相关信息输入识别模型的第二特征提取网络，提取目标视频的视觉‑文本多模态特征。将待检测视频的视觉‑文本多模态特征以及目标视频的视觉‑文本多模态特征输入到识别模型中的重复检测子网络，得到重复检测结果，并根据该重复检测结果，确定是否将待检测视频存储在数据库中，从而能够提高视频去重的准确性。

Description

一种基于多模态学习的视频去重方法及装置
技术领域
本说明书涉及神经网络技术领域，尤其涉及一种基于多模态学习的视频去重方法及装置。
背景技术
当前，短视频业务发展迅猛，随着短视频海量数据的积累和泛滥，短视频去重技术需求迫切，且应用前景非常广泛。
在现有技术中，可以根据两个视频分别的视觉特征，判断两个视频是否重复，进而，通过这种方式，短视频平台可以将重复的视频进行去除。
所以，如何提高视频去重的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种基于多模态学习的视频去重方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于多模态学习的视频去重方法，包括：
获取视频存储请求；
根据所述视频存储请求，确定待检测视频，以及确定数据库中的目标视频；
确定所述待检测视频的文本相关信息和所述目标视频的文本相关信息；
将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征；
将所述待检测视频的视觉-文本多模态特征以及所述目标视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
根据所述重复检测结果，确定是否将所述待检测视频存储在所述数据库中。
可选地，第一特征提取网络包括：视觉编码层和文本编码层；
将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，具体包括：
将所述待检测视频、所述待检测视频的文本相关信息输入到所述第一特征提取网络后，通过所述视觉编码层提取所述待检测视频的视觉特征，通过所述文本编码层提取所述待检测视频的文本相关信息的文本特征；
将所述视觉特征与所述文本特征进行融合，得到所述待检测视频的视觉-文本多模态特征。
可选地，第二特征提取网络包括：视觉编码层和文本编码层；
将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征，具体包括：
将所述目标视频和所述目标视频的文本相关信息输入所述第二特征提取网络后，通过所述视觉编码层提取所述目标视频的视觉特征，通过所述文本编码层提取所述目标视频的文本相关信息的文本特征；
将所述视觉特征与所述文本特征进行融合，得到所述目标视频的视觉-文本多模态特征。
可选地，训练所述识别模型，具体包括：
获取训练样本，所述训练样本包括第一视频、第二视频以及标注信息，所述标注信息用于表示所述第一视频与所述第二视频是否重复；
将所述第一视频、所述第一视频的文本相关信息输入到识别模型的第一特征提取网络，以提取出所述第一视频的视觉-文本多模态特征，将所述第二视频和所述第二视频的文本相关信息输入到识别模型中的第二特征提取网络，以提取出所述第二视频的视觉-文本多模态特征；
将所述第一视频的视觉-文本多模态特征以及所述第二视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
以最小化所述重复检测结果与所述标注信息之间的偏差为目标，对所述识别模型进行训练。
可选地，所述第一特征提取网络与所述第二特征提取网络中均包含有视觉编码层和文本编码层，视觉-文本多模态特征通过所述视觉编码层提取出的视觉特征和文本编码层提取出的文本特征确定；
所述方法还包括：
根据确定出的视觉特征对应的权重以及确定出的文本特征对应的权重，对视觉特征和文本特征进行加权融合，得到视觉-文本多模态特征。
可选地，确定视觉特征对应的权重以及文本特征对应的权重，具体包括：
通过所述视觉编码层，构建第一模型；
对所述第一模型进行有监督训练，以使训练后的第一模型通过两个视频的视觉特征，识别两个视频是否存在重复，并确定训练的第一模型的训练效果表征值；
根据所述文本编码层，构建第二模型；
对所述第二模型进行有监督训练，以使训练后的第二模型通过两个视频的文本相关信息的文本特征，识别两个视频是否存在重复，并确定训练的第二模型的训练效果表征值；
根据所述第一模型的训练效果表征值，和所述第二模型的训练效果表征值，确定视觉特征对应的权重以及文本特征对应的权重。
可选地，将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征之前，所述方法还包括：
将所述待检测视频进行预处理，得到预处理后的待检测视频，以及将所述目标视频进行预处理，得到预处理后的目标视频；
将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征。具体包括：
将所述预处理后的待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述预处理后的目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征。
可选地，所述预处理包括对视频进行分帧并提取关键帧。
本说明书提供了一种基于多模态学习的视频去重装置，包括：
获取模块，用于获取视频存储请求；
视频确定模块，用于根据所述视频存储请求，确定待检测视频，以及确定数据库中的目标视频；
文本确定模块，用于确定所述待检测视频的文本相关信息和所述目标视频的文本相关信息；
第一输入模块，用于将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征；
第二输入模块，用于将所述待检测视频的视觉-文本多模态特征以及所述目标视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
重复检测模块，用于根据所述重复检测结果，确定是否将所述待检测视频存储在所述数据库中。
可选地，第一特征提取网络包括：视觉编码层和文本编码层；
所述第一输入模块具体用于，将所述待检测视频、所述待检测视频的文本相关信息输入到所述第一特征提取网络后，通过所述视觉编码层提取所述待检测视频的视觉特征，通过所述文本编码层提取所述待检测视频的文本相关信息的文本特征；将所述视觉特征与所述文本特征进行融合，得到所述待检测视频的视觉-文本多模态特征。
可选地，第二特征提取网络包括：视觉编码层和文本编码层；
所述第一输入模块具体用于，将所述目标视频和所述目标视频的文本相关信息输入所述第二特征提取网络后，通过所述视觉编码层提取所述目标视频的视觉特征，通过所述文本编码层提取所述目标视频的文本相关信息的文本特征；将所述视觉特征与所述文本特征进行融合，得到所述目标视频的视觉-文本多模态特征。
可选地，所述装置还包括：
训练模块，用于获取训练样本，所述训练样本包括第一视频、第二视频以及标注信息，所述标注信息用于表示所述第一视频与所述第二视频是否重复；将所述第一视频、所述第一视频的文本相关信息输入到识别模型的第一特征提取网络，以提取出所述第一视频的视觉-文本多模态特征，将所述第二视频和所述第二视频的文本相关信息输入到识别模型中的第二特征提取网络，以提取出所述第二视频的视觉-文本多模态特征；将所述第一视频的视觉-文本多模态特征以及所述第二视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；以最小化所述重复检测结果与所述标注信息之间的偏差为目标，对所述识别模型进行训练。
可选地，所述第一特征提取网络与所述第二特征提取网络中均包含有视觉编码层和文本编码层，视觉-文本多模态特征通过所述视觉编码层提取出的视觉特征和文本编码层提取出的文本特征确定；
所述第一输入模块具体用于，根据确定出的视觉特征对应的权重以及确定出的文本特征对应的权重，对视觉特征和文本特征进行加权融合，得到视觉-文本多模态特征。
可选地，所述装置还包括：
权重模块，用于通过所述视觉编码层，构建第一模型；对所述第一模型进行有监督训练，以使训练后的第一模型通过两个视频的视觉特征，识别两个视频是否存在重复，并确定训练的第一模型的训练效果表征值；根据所述文本编码层，构建第二模型；对所述第二模型进行有监督训练，以使训练后的第二模型通过两个视频的文本相关信息的文本特征，识别两个视频是否存在重复，并确定训练的第二模型的训练效果表征值；根据所述第一模型的训练效果表征值，和所述第二模型的训练效果表征值，确定视觉特征对应的权重以及文本特征对应的权重。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多模态学习的视频去重方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于多模态学习的视频去重方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述基于多模态学习的视频去重方法中可以看出，可以获取视频存储请求，而后，可以根据视频存储请求，确定待检测视频，以及确定数据库中的目标视频，进而，确定该待检测视频的文本相关信息和该目标视频的文本相关信息，将待检测视频、待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取待检测视频的视觉-文本多模态特征，将目标视频和目标视频的文本相关信息输入识别模型的第二特征提取网络，提取目标视频的视觉-文本多模态特征。将待检测视频的视觉-文本多模态特征以及目标视频的视觉-文本多模态特征输入到识别模型中的重复检测子网络，得到重复检测结果，并根据该重复检测结果，确定是否将待检测视频存储在数据库中。
从上述内容中可以看出，本说明书提供基于多模态学习的视频去重方法，在确定两个视频之间是否重复时，可以提取与视频相关的文本的文本特征和视频本身的视觉特征，融合文本特征和视觉特征来得到多模态的特征，从而通过多模态学习的方式来判断两个视频之间是否重复，因此，相比于现有技术中仅通过视频本身来判断两个视频之间是否重复的情况，本方法能够结合到与视频相关的更多信息，并且结合多模态学习的方式，能够提高视频去重的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种基于多模态学习的视频去重方法的流程示意图；
图2为本说明书中提供的一种识别模型的结构示意图；
图3为本说明书中提供的一种特征提取网络的结构示意图；
图4为本说明书提供的一种基于多模态学习的视频去重装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种基于多模态学习的视频去重方法的流程示意图，具体包括以下步骤：
S100：获取视频存储请求。
S102：根据所述视频存储请求，确定待检测视频，以及确定数据库中的目标视频。
S104：确定所述待检测视频的文本相关信息和所述目标视频的文本相关信息。
在实际应用中，视频平台，尤其是短视频平台内部可以维护有大量的视频（或短视频），而且这些视频之间可能会存在重复的视频，因此，视频平台可以针对平台内部的视频进行去重，例如，对于多个重复视频，可以仅保留唯一一个视频在视频平台的数据库中。
基于此，视频平台可以接收视频存储请求，并根据该视频存储请求，确定待检测视频，以及确定数据库中的目标视频，进而，确定待检测视频的文本相关信息和目标视频的文本相关信息。其中，视频的文本相关信息可以是指视频的名称、文案、视频类别标签和词条等等与视频相关的文本信息。
上述目标视频可以是数据库中的多个视频，也就是说，在确定出待检测视频时，可以将该待检测视频与数据库中的视频进行对比，后续可以通过视频本身以及与视频相关的文本来识别两个视频是否重复，若待检测视频与目标视频之间是重复的，则可以不将该待检测视频存储在数据库中，以及将该待检测视频删除。
S106：将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征。
S108：将所述待检测视频的视觉-文本多模态特征以及所述目标视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果。
而后，可以将待检测视频、待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取待检测视频的视觉-文本多模态特征，将目标视频和目标视频的文本相关信息输入识别模型的第二特征提取网络，提目标视频的视觉-文本多模态特征。进而，将待检测视频的视觉-文本多模态特征和目标视频的视觉-文本多模态特征输入到识别模型中的重复检测子网络，得到重复检测结果。该重复检测结果可以表示出待检测视频与目标视频之间是否重复。
上述识别模型的结构可以如图2所示。
图2为本说明书提供的一种识别模型的结构示意图。
上述识别模型可以预先进行有监督的训练，上述第一特征提取网络与第二特征提取网络的网络结构可以是相同的，第一特征提取网络与第二特征提取网络均可以包含视觉编码层和文本编码层，并通过视觉编码层和文本编码层分别提取出视频的视觉特征，和文本的文本特征，进而将视觉特征和文本特征进行融合，得到待检测视频或目标视频的视觉-文本多模态特征。
具体的，将待检测视频、待检测视频的文本相关信息输入到第一特征提取网络后，可以通过第一特征提取网络的视觉编码层提取待检测视频的视觉特征，通过第一特征提取网络的文本编码层提取待检测视频的文本相关信息的文本特征，将确定出的视觉特征与文本特征进行融合，得到待检测视频的视觉-文本多模态特征。
将目标视频和目标视频的文本相关信息输入第二特征提取网络后，通过视觉编码层提取目标视频的视觉特征，通过文本编码层提取目标视频的文本相关信息的文本特征，进而，将确定出的视觉特征与文本特征进行融合，得到目标视频的视觉-文本多模态特征。
上述提到的融合可以是将视觉特征与文本特征进行拼接，得到视觉-文本多模态特征，还可以是指将视觉特征与文本特征输入到一个融合的网络，从而得到视觉-文本多模态特征。第一特征提取网络和第二特征提取网络的网络结构具体可以如图3所示。
图3为本说明书提供的一种特征提取网络的网络结构的结构示意图。
需要说明的是，视频输入到特征提取网络，或者说视频输入到识别模型前，需要对视频进行预处理，即，不管是待检测视频还是目标视频，在输入到识别模型前，均可以进行预处理，将预处理后的视频输入到识别模型中。
具体的，将待检测视频进行预处理，得到预处理后的待检测视频，以及将所述目标视频进行预处理，得到预处理后的目标视频后，可以预处理后的待检测视频、待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取待检测视频的视觉-文本多模态特征，将预处理后的目标视频和目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取目标视频的视觉-文本多模态特征。
对视频进行预处理的方式可以是将视频进行分帧，并提取关键帧，这里提到的关键帧可以视具体情况而定，例如，可以提取视频的开头、中间、结尾三帧图像作为关键帧，将预处理后的视频输入到识别模型，可以是指将关键帧输入到识别模型中，或者将关键帧取平均输入到识别模型中。
具体可以使用OpenCV2（Open Source Computer Vision Library）工具进行视频流的处理。可以对视频流采样开始、中间和结尾选择分帧后的图片格式的数据。最后对这些图片数据进行数据融合。数据融合的方法可以采用平均的方法融合采样的图片。
可以看出，在确定视频的视觉-文本多模态特征时，是分别提取出视频的视觉特征和与视频相关的文本的文本特征，进而将两者融合得到视觉-文本多模态特征，以通过视觉-文本多模态特征确定出两个视频是否存在重复。
然而，视觉特征与文本特征在实际应用中可以存在有侧重，即，两个特征可以分别对应有权重，因此，在确定视觉-文本多模态特征时，可以根据确定出的视觉特征对应的权重以及确定出的文本特征对应的权重，对视觉特征和文本特征进行加权融合，得到视觉-文本多模态特征。
确定权重的方式可以存在多种，在此举例一种确定视觉特征对应的权重和文本特征对应的权重的方式。
具体的，可以通过视觉编码层，构建第一模型，并对第一模型进行有监督训练，以使训练后的第一模型通过两个视频的视觉特征，识别两个视频是否存在重复，并确定训练的第一模型的训练效果表征值。并且，可以根据文本编码层，构建第二模型，对第二模型进行有监督训练，以使训练后的第二模型通过两个视频的文本相关信息的文本特征，识别两个视频是否存在重复，并确定训练的第二模型的训练效果表征值。
最后，可以根据第一模型的训练效果表征值，和第二模型的训练效果表征值，确定视觉特征对应的权重以及文本特征对应的权重。其中，若第一模型的训练效果表征值比第二模型的训练效果表征值高，则视觉特征对应的权重可以比文本特征对应的权重高，若第一模型的训练效果表征值比第二模型的训练效果表征值低，则视觉特征对应的权重可以比文本特征对应的权重低。
上述提到的训练效果表征值可以是指模型的准确率、召回率等。
也就是说，第一模型是仅通过视频本身来识别视频是否重复，而第二模型是仅通过视频的文本相关信息来识别视频是否重复，通过分别将第一模型和第二模型进行训练后，来观察两个模型的训练效果，训练效果更好的权重可以更高。另外，第一模型和第二模型的网络结构除了视觉编码层和文本编码层之外，结构可以是一致的，即，类似控制变量，例如，若第一模型由两个视觉编码层和一个全连接层组成，则第二模型也应由两个文本编码层和一个全连接层组成。
S110：根据所述重复检测结果，确定是否将所述待检测视频存储在所述数据库中。
通过上述识别模型确定出待检测视频和目标视频之间的重复检测结果后，可以确定待检测视频与目标视频之间是否存在重复。
需要说明的是，上述识别模型需要预先通过有监督训练方式进行训练得到。
具体的，可以获取训练样本，训练样本包括第一视频、第二视频以及标注信息，该标注信息用于表示第一视频与第二视频是否重复，而后，可以将第一视频、第一视频的文本相关信息、第二视频和第二视频的文本相关信息输入到识别模型中。
而后，将第一视频、第一视频的文本相关信息输入到识别模型的第一特征提取网络，以提取出第一视频的视觉-文本多模态特征，将第二视频和第二视频的文本相关信息输入到识别模型中的第二特征提取网络，以提取出第二视频的视觉-文本多模态特征。
将第一视频的视觉-文本多模态特征以及第二视频的视觉-文本多模态特征输入到识别模型中的重复检测子网络，得到重复检测结果，并以最小化重复检测结果与上述标注信息之间的偏差为目标，对上述识别模型进行训练。
上述识别模型中，具体可以选择CLIP视觉-语言预训练大模型来作为特征提取网络，来处理视觉数据和文本数据得到视觉-文本多模态特征。CLIP视觉-语言预训练大模型中文本编码层和视觉编码层均采用Transformer架构。
上述重复检测子网络为二分类器，该二分类器可以采用随机森林、LightGBM和深度神经网络（DNN）等算法模型。损失函数可以选择交叉熵损失函数，二分类交叉熵损失
Figure SMS_1
，Y（y）是实际标签label（上述标注信息），P（p）为二分类模型预测值（上述重复检测结果）。K=2，表示二分类。
从上述内容可以看出，本说明书提供基于多模态学习的视频去重方法，在确定两个视频之间是否重复时，可以提取与视频相关的文本的文本特征和视频本身的视觉特征，融合文本特征和视觉特征来得到多模态的特征，从而通过多模态学习的方式来判断两个视频之间是否重复，因此，相比于现有技术中仅通过视频本身来判断两个视频之间是否重复的情况，本方法能够结合到与视频相关的更多信息，并且结合多模态学习的方式，能够提高视频去重的准确性。
图4为本说明书提供的一种皮质-肌肉-皮质网络图的模型训练装置示意图，包括：
获取模块401，用于获取视频存储请求；
视频确定模块402，用于根据所述视频存储请求，确定待检测视频，以及确定数据库中的目标视频；
文本确定模块403，用于确定所述待检测视频的文本相关信息和所述目标视频的文本相关信息；
第一输入模块404，用于将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征；
第二输入模块405，用于将所述待检测视频的视觉-文本多模态特征以及所述目标视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
重复检测模块406，用于根据所述重复检测结果，确定是否将所述待检测视频存储在所述数据库中。
可选地，第一特征提取网络包括：视觉编码层和文本编码层；
所述第一输入模块404具体用于，将所述待检测视频、所述待检测视频的文本相关信息输入到所述第一特征提取网络后，通过所述视觉编码层提取所述待检测视频的视觉特征，通过所述文本编码层提取所述待检测视频的文本相关信息的文本特征；将所述视觉特征与所述文本特征进行融合，得到所述待检测视频的视觉-文本多模态特征。
可选地，第二特征提取网络包括：视觉编码层和文本编码层；
所述第一输入模块404具体用于，将所述目标视频和所述目标视频的文本相关信息输入所述第二特征提取网络后，通过所述视觉编码层提取所述目标视频的视觉特征，通过所述文本编码层提取所述目标视频的文本相关信息的文本特征；将所述视觉特征与所述文本特征进行融合，得到所述目标视频的视觉-文本多模态特征。
可选地，所述装置还包括：
训练模块407，用于获取训练样本，所述训练样本包括第一视频、第二视频以及标注信息，所述标注信息用于表示所述第一视频与所述第二视频是否重复；将所述第一视频、所述第一视频的文本相关信息输入到识别模型的第一特征提取网络，以提取出所述第一视频的视觉-文本多模态特征，将所述第二视频和所述第二视频的文本相关信息输入到识别模型中的第二特征提取网络，以提取出所述第二视频的视觉-文本多模态特征；将所述第一视频的视觉-文本多模态特征以及所述第二视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；以最小化所述重复检测结果与所述标注信息之间的偏差为目标，对所述识别模型进行训练。
可选地，所述第一特征提取网络与所述第二特征提取网络中均包含有视觉编码层和文本编码层，视觉-文本多模态特征通过所述视觉编码层提取出的视觉特征和文本编码层提取出的文本特征确定；
所述第一输入模块404具体用于，根据确定出的视觉特征对应的权重以及确定出的文本特征对应的权重，对视觉特征和文本特征进行加权融合，得到视觉-文本多模态特征。
可选地，所述装置还包括：
权重模块408，用于通过所述视觉编码层，构建第一模型；对所述第一模型进行有监督训练，以使训练后的第一模型通过两个视频的视觉特征，识别两个视频是否存在重复，并确定训练的第一模型的训练效果表征值；根据所述文本编码层，构建第二模型；对所述第二模型进行有监督训练，以使训练后的第二模型通过两个视频的文本相关信息的文本特征，识别两个视频是否存在重复，并确定训练的第二模型的训练效果表征值；根据所述第一模型的训练效果表征值，和所述第二模型的训练效果表征值，确定视觉特征对应的权重以及文本特征对应的权重。
可选地，将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征之前，所述装置还包括：
预处理模块409，将所述待检测视频进行预处理，得到预处理后的待检测视频，以及将所述目标视频进行预处理，得到预处理后的目标视频；
所述第一输入模块404具体用于，将所述预处理后的待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述预处理后的目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征。
可选地，所述预处理包括对视频进行分帧并提取关键帧。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于多模态学习的视频去重方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述基于多模态学习的视频去重方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种基于多模态学习的视频去重方法，其特征在于，包括：
获取视频存储请求；
根据所述视频存储请求，确定待检测视频，以及确定数据库中的目标视频；
确定所述待检测视频的文本相关信息和所述目标视频的文本相关信息；
将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征，其中，所述第一特征提取网络与所述第二特征提取网络中均包含有视觉编码层和文本编码层，视觉-文本多模态特征根据确定出的视觉特征对应的权重以及确定出的文本特征对应的权重，对所述视觉编码层提取出的视觉特征和所述文本编码层提取出的文本特征进行加权融合得到，确定视觉特征对应的权重以及文本特征对应的权重，具体包括：通过所述视觉编码层，构建第一模型，对所述第一模型进行有监督训练，以使训练后的第一模型通过两个视频的视觉特征，识别两个视频是否存在重复，并确定训练的第一模型的训练效果表征值，以及，根据所述文本编码层，构建第二模型，对所述第二模型进行有监督训练，以使训练后的第二模型通过两个视频的文本相关信息的文本特征，识别两个视频是否存在重复，并确定训练的第二模型的训练效果表征值，根据所述第一模型的训练效果表征值，和所述第二模型的训练效果表征值，确定视觉特征对应的权重以及文本特征对应的权重；
将所述待检测视频的视觉-文本多模态特征以及所述目标视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
根据所述重复检测结果，确定是否将所述待检测视频存储在所述数据库中。
2.如权利要求1所述的方法，其特征在于，第一特征提取网络包括：视觉编码层和文本编码层；
将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，具体包括：
将所述待检测视频、所述待检测视频的文本相关信息输入到所述第一特征提取网络后，通过所述视觉编码层提取所述待检测视频的视觉特征，通过所述文本编码层提取所述待检测视频的文本相关信息的文本特征；
将所述视觉特征与所述文本特征进行融合，得到所述待检测视频的视觉-文本多模态特征。
3.如权利要求1所述的方法，其特征在于，第二特征提取网络包括：视觉编码层和文本编码层；
将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征，具体包括：
将所述目标视频和所述目标视频的文本相关信息输入所述第二特征提取网络后，通过所述视觉编码层提取所述目标视频的视觉特征，通过所述文本编码层提取所述目标视频的文本相关信息的文本特征；
将所述视觉特征与所述文本特征进行融合，得到所述目标视频的视觉-文本多模态特征。
4.如权利要求1所述的方法，其特征在于，训练所述识别模型，具体包括：
获取训练样本，所述训练样本包括第一视频、第二视频以及标注信息，所述标注信息用于表示所述第一视频与所述第二视频是否重复；
将所述第一视频、所述第一视频的文本相关信息输入到识别模型的第一特征提取网络，以提取出所述第一视频的视觉-文本多模态特征，将所述第二视频和所述第二视频的文本相关信息输入到识别模型中的第二特征提取网络，以提取出所述第二视频的视觉-文本多模态特征；
将所述第一视频的视觉-文本多模态特征以及所述第二视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
以最小化所述重复检测结果与所述标注信息之间的偏差为目标，对所述识别模型进行训练。
5.如权利要求1所述的方法，其特征在于，将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征之前，所述方法还包括：
将所述待检测视频进行预处理，得到预处理后的待检测视频，以及将所述目标视频进行预处理，得到预处理后的目标视频；
将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征，具体包括：
将所述预处理后的待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述预处理后的目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征。
6.如权利要求5所述的方法，其特征在于，所述预处理包括对视频进行分帧并提取关键帧。
7.一种基于多模态学习的视频去重装置，其特征在于，包括：
获取模块，用于获取视频存储请求；
视频确定模块，用于根据所述视频存储请求，确定待检测视频，以及确定数据库中的目标视频；
文本确定模块，用于确定所述待检测视频的文本相关信息和所述目标视频的文本相关信息；
第一输入模块，用于将所述待检测视频、所述待检测视频的文本相关信息输入到预先训练的识别模型中的第一特征提取网络，提取所述待检测视频的视觉-文本多模态特征，将所述目标视频和所述目标视频的文本相关信息输入所述识别模型的第二特征提取网络，提取所述目标视频的视觉-文本多模态特征，所述第一特征提取网络与所述第二特征提取网络中均包含有视觉编码层和文本编码层，所述第一输入模块具体用于，根据确定出的视觉特征对应的权重以及确定出的文本特征对应的权重，对所述视觉编码层提取出的视觉特征和所述文本编码层提取出的文本特征进行加权融合得到视觉-文本多模态特征；
第二输入模块，用于将所述待检测视频的视觉-文本多模态特征以及所述目标视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；
重复检测模块，用于根据所述重复检测结果，确定是否将所述待检测视频存储在所述数据库中；
权重模块，用于通过所述视觉编码层，构建第一模型，对所述第一模型进行有监督训练，以使训练后的第一模型通过两个视频的视觉特征，识别两个视频是否存在重复，并确定训练的第一模型的训练效果表征值，以及，根据所述文本编码层，构建第二模型，对所述第二模型进行有监督训练，以使训练后的第二模型通过两个视频的文本相关信息的文本特征，识别两个视频是否存在重复，并确定训练的第二模型的训练效果表征值，根据所述第一模型的训练效果表征值，和所述第二模型的训练效果表征值，确定视觉特征对应的权重以及文本特征对应的权重。
8.如权利要求7所述的装置，其特征在于，第一特征提取网络包括：视觉编码层和文本编码层；
所述第一输入模块具体用于，将所述待检测视频、所述待检测视频的文本相关信息输入到所述第一特征提取网络后，通过所述视觉编码层提取所述待检测视频的视觉特征，通过所述文本编码层提取所述待检测视频的文本相关信息的文本特征；将所述视觉特征与所述文本特征进行融合，得到所述待检测视频的视觉-文本多模态特征。
9.如权利要求7所述的装置，其特征在于，第二特征提取网络包括：视觉编码层和文本编码层；
所述第一输入模块具体用于，将所述目标视频和所述目标视频的文本相关信息输入所述第二特征提取网络后，通过所述视觉编码层提取所述目标视频的视觉特征，通过所述文本编码层提取所述目标视频的文本相关信息的文本特征；将所述视觉特征与所述文本特征进行融合，得到所述目标视频的视觉-文本多模态特征。
10.如权利要求7所述的装置，其特征在于，所述装置还包括：
训练模块，用于获取训练样本，所述训练样本包括第一视频、第二视频以及标注信息，所述标注信息用于表示所述第一视频与所述第二视频是否重复；将所述第一视频、所述第一视频的文本相关信息输入到识别模型的第一特征提取网络，以提取出所述第一视频的视觉-文本多模态特征，将所述第二视频和所述第二视频的文本相关信息输入到识别模型中的第二特征提取网络，以提取出所述第二视频的视觉-文本多模态特征；将所述第一视频的视觉-文本多模态特征以及所述第二视频的视觉-文本多模态特征输入到所述识别模型中的重复检测子网络，得到重复检测结果；以最小化所述重复检测结果与所述标注信息之间的偏差为目标，对所述识别模型进行训练。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
CN202310442154.5A 2023-04-23 2023-04-23 一种基于多模态学习的视频去重方法及装置 Active CN116186330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310442154.5A CN116186330B (zh) 2023-04-23 2023-04-23 一种基于多模态学习的视频去重方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310442154.5A CN116186330B (zh) 2023-04-23 2023-04-23 一种基于多模态学习的视频去重方法及装置

Publications (2)

Publication Number Publication Date
CN116186330A CN116186330A (zh) 2023-05-30
CN116186330B true CN116186330B (zh) 2023-07-11

Family

ID=86436833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310442154.5A Active CN116186330B (zh) 2023-04-23 2023-04-23 一种基于多模态学习的视频去重方法及装置

Country Status (1)

Country Link
CN (1) CN116186330B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521017B (zh) * 2024-01-03 2024-04-05 支付宝(杭州)信息技术有限公司 一种获取多模态特征方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114090823A (zh) * 2021-09-09 2022-02-25 秒针信息技术有限公司 视频检索方法、装置、电子设备及计算机可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826475B (zh) * 2019-11-01 2022-10-04 北京齐尔布莱特科技有限公司 一种检测近重复视频的方法、装置及计算设备
CN111814714B (zh) * 2020-07-15 2024-03-29 前海人寿保险股份有限公司 基于音视频录制的图像识别方法、装置、设备及存储介质
CN112203122B (zh) * 2020-10-10 2024-01-26 腾讯科技（深圳）有限公司 基于人工智能的相似视频处理方法、装置及电子设备
CN112348111B (zh) * 2020-11-24 2022-07-08 北京达佳互联信息技术有限公司 视频中的多模态特征融合方法、装置、电子设备及介质
CN112464814A (zh) * 2020-11-27 2021-03-09 北京百度网讯科技有限公司 视频处理方法、装置、电子设备及存储介质
CN113704541A (zh) * 2021-02-26 2021-11-26 腾讯科技（深圳）有限公司 训练数据的获取、视频推送方法、装置、介质及电子设备
CN112990119B (zh) * 2021-04-25 2021-09-10 之江实验室 一种视频多目标人脸表情识别方法和系统
CN115359400A (zh) * 2022-08-24 2022-11-18 北京字跳网络技术有限公司 视频识别方法、装置、介质及电子设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114090823A (zh) * 2021-09-09 2022-02-25 秒针信息技术有限公司 视频检索方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN116186330A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116227474B (zh) 一种对抗文本的生成方法、装置、存储介质及电子设备
CN112417093B (zh) 一种模型训练的方法及装置
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN115600157B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN116402062B (zh) 一种基于多模态感知数据的文本生成方法及装置
CN116186330B (zh) 一种基于多模态学习的视频去重方法及装置
CN113887206B (zh) 一种模型训练及关键词提取方法及装置
CN117197781A (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN117409466A (zh) 一种基于多标签控制的三维动态表情生成方法及装置
CN115545572B (zh) 一种业务风控的方法、装置、设备及存储介质
CN116863484A (zh) 一种字符识别的方法、装置、存储介质及电子设备
CN113344590A (zh) 一种模型训练以及投诉率预估的方法及装置
CN116434787B (zh) 一种语音情感识别的方法、装置、存储介质及电子设备
CN114611517B (zh) 基于深度学习的命名实体识别方法、装置、设备和介质
CN117037046B (zh) 一种视听事件检测方法、装置、存储介质及电子设备
CN117076650B (zh) 一种基于大语言模型的智能对话方法、装置、介质及设备
CN113642603B (zh) 一种数据匹配方法、装置、存储介质及电子设备
CN117237744B (zh) 一种图像分类模型的训练方法、装置、介质及电子设备
CN111461352B (zh) 模型训练、业务节点识别方法、装置及电子设备
CN116795972B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN118069824A (zh) 一种风险识别的方法、装置、存储介质及电子设备
CN116578877B (zh) 一种模型训练及二次优化打标的风险识别的方法及装置
CN117591217A (zh) 一种信息展示方法、装置、设备及存储介质
CN117592472A (zh) 一种模型训练和业务执行方法、装置、存储介质及设备
CN116631033A (zh) 数据处理方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant