CN116701708A - 多模态增强的视频分类方法、系统、存储介质及电子设备 - Google Patents

多模态增强的视频分类方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN116701708A
CN116701708A CN202310927018.5A CN202310927018A CN116701708A CN 116701708 A CN116701708 A CN 116701708A CN 202310927018 A CN202310927018 A CN 202310927018A CN 116701708 A CN116701708 A CN 116701708A
Authority
CN
China
Prior art keywords
feature
video
audio
features
text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310927018.5A
Other languages
English (en)
Other versions
CN116701708B (zh
Inventor
孔欧
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.)
Shanghai Mido Technology Co ltd
Original Assignee
Shanghai Mdata Information 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 Shanghai Mdata Information Technology Co ltd filed Critical Shanghai Mdata Information Technology Co ltd
Priority to CN202310927018.5A priority Critical patent/CN116701708B/zh
Publication of CN116701708A publication Critical patent/CN116701708A/zh
Application granted granted Critical
Publication of CN116701708B publication Critical patent/CN116701708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/75—Clustering; Classification
    • 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
    • G06F16/7834—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 audio features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供一种多模态增强的视频分类方法、系统、存储介质及电子设备，所述方法包括以下步骤：获取包含音频和文本的视频；提取所述视频的视频特征和音频特征；对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征；提取所述文本的文本特征；基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果。本发明的多模态增强的视频分类方法、系统、存储介质及电子设备通过兼顾视频的视频特征、音频特征和文本特征来实现分类，有效提升了分类效果。

Description

多模态增强的视频分类方法、系统、存储介质及电子设备
技术领域
本发明属于视频分类的技术领域，特别是涉及一种多模态增强的视频分类方法、系统、存储介质及电子设备。
背景技术
现有技术中，视频分类方法主要包括以下两种。
（1）直接抽取视频中的关键帧来代表整个视频，从而采用图片分类的方法达到视频分类的目的。但是，该方法没有考虑到视频帧之间的相关性，也就是没有注意视频时序上的信息。
（2）利用3D卷网络对整个视频进行分类。但是，该方法没有考虑时序-空间的相关性。
另外，视频中通常包含有音频。现有的视频分类方法都没有采用音频信息来强化视频分类效果。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种多模态增强的视频分类方法、系统、存储介质及电子设备，通过兼顾视频的视频特征、音频特征和文本特征来实现分类，有效提升了分类效果。
第一方面，本发明提供一种多模态增强的视频分类方法，所述方法包括以下步骤：获取包含音频和文本的视频；提取所述视频的视频特征和音频特征；对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征；提取所述文本的文本特征；基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果。
在第一方面的一种实现方式中，基于三维卷积模块提取所述视频的视频特征；基于一维卷积模块提取所述音频的音频特征。
在第一方面的一种实现方式中，对所述视频特征和所述音频特征进行融合包括以下步骤：
基于第一帧注意力网络对所述视频特征进行多次处理，获取处理视频特征；所述第一帧注意力网络的输入为所述视频特征，输出为所述处理视频特征B1=V1*SoftMax( K1*Q1)，其中K1= A1*W_k1，Q1=A1*W_q1，V1=A1*W_v1，A1为所述视频特征，W_k1、W_q1、W_v1为所述第一帧注意力网络的矩阵参数；
基于第二帧注意力网络对所述音频特征进行多次处理，获取处理音频特征；所述第二帧注意力网络的输入为所述音频特征，输出为所述处理音频特征B2=V2*SoftMax( K2*Q2)，其中K2= A2*W_k2，Q=A2*W_q2，V2=A2*W_v2，A2为所述音频特征，W_k2、W_q2、W_v2为所述第二帧注意力网络的矩阵参数；
基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第一融合特征；
基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第二融合特征。
在第一方面的一种实现方式中，基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第一融合特征包括以下步骤：
对所述处理音频特征进行重复配置，以与所述处理视频特征大小相一致；
将配置后的处理音频特征作为Q3，所述处理视频特征作为K3和V3，根据C1=V3*SoftMax(K3*Q3)获取所述第一融合特征。
在第一方面的一种实现方式中，基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第二融合特征包括以下步骤：
选取所述处理视频特征的最后一个特征；
将所述最后一个特征作为Q4，所述处理音频特征作为K4和V4，根据C2=V4*SoftMax(K4*Q4)获取所述第二融合特征。
在第一方面的一种实现方式中，基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果包括以下步骤：
选取所述第一融合特征的最后一个特征，对所述最后一个特征进行flatten操作后经过全连接层，以获取与所述文本特征相同大小的第一特征值；
对所述第二融合特征进行flatten操作后经过全连接层，以获取与所述文本特征相同大小的第二特征值；
对所述第一特征值、第二特征值和所述文本特征进行加权平均后执行SoftMax操作，以获取所述分类结果。
在第一方面的一种实现方式中，提取所述文本的文本特征包括：
将所述文本输入clip模型的Text Encoder后再经过全连接层，以获取所述文本特征。
第二方面，本发明提供一种多模态增强的视频分类系统，所述系统包括获取模块、第一提取模块、第二提取模块、融合模块、第三提取模块和分类模块；
所述获取模块用于获取包含音频和文本的视频；
所述第一提取模块用于提取所述视频的视频特征；
所述第二提取模块用于提取所述音频的音频特征；
所述融合模块用于对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征；
所述第三提取模块用于提取所述文本的文本特征；
所述分类模块用于基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果。
第三方面，本发明提供一种电子设备，所述电子设备包括：处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的多模态增强的视频分类方法。
第四方面，本发明提供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，该程序被电子设备执行时实现上述的多模态增强的视频分类方法。
如上所述，本发明所述的多模态增强的视频分类方法、系统、存储介质及电子设备，具有以下有益效果。
（1）基于帧注意力网络来同时处理时序和空间信息。
（2）将音频特征与视频特征相互融合，从而有效利用音频来增强视频分类，达到多模态信息强化分类效果的目的。
（3）采用文本特征对分类结果进行进一步微调，从而提升了分类结果的准确性。
附图说明
图1显示为本发明的电子设备于一实施例中的场景示意图。
图2显示为本发明的多模态增强的视频分类方法于一实施例中的流程图。
图3显示为本发明的对所述视频特征和所述音频特征进行融合于一实施例中的流程图。
图4显示为本发明的多模态增强的视频分类系统于一实施例中的结构示意图。
图5显示为本发明的电子设备于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明以下实施例提供了多模态增强的视频分类方法，其可应用于如图1所示的电子设备。本发明中所述电子设备可以包括具备无线充电功能的手机11、平板电脑12、笔记本电脑13、可穿戴设备、车载设备、增强现实(Augmented Reality，AR)/虚拟现实(VirtualReality，VR)设备、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等，本发明实施例对电子设备的具体类型不作任何限制。
例如，所述电子设备可以是具备无线充电功能的 WLAN 中的站点(STAION，ST)，可以是具备无线充电功能的蜂窝电话、无绳电话、会话启动协议(SessionInitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具备无线充电功能的手持设备、计算设备或其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G 网络中的移动终端、未来演进的公共陆地移动网络(PublicLand Mobile Network，PLMN)中的移动终端或者未来演进的非地面网络（Non-terrestrial Network，NTN）中的移动终端等。
例如，所述电子设备可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobilecommunication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)、BT，GNSS，WLAN，NFC，FM，和/或 IR 技术等。所述 GNSS可以包括全球卫星定位系统 (Global Positioning System，GPS)，全球导航卫星系统(Global Navigation Satellite System，GLONASS)，北斗卫星导航系统(BeiDounavigation Satellite System，BDS)，准天顶卫星系统(Quasi-Zenith SatelliteSystem，QZSS)和/或星基增强系统(Satellite Based Augmentation Systems，SBAS)。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细描述。
如图2所示，于一实施例中，本发明的多模态增强的视频分类方法包括步骤S1-步骤S4。
步骤S1、获取包含音频和文本的视频。
具体地，所述视频除了包括连续的图像帧外，还包括音频和文本。所述文本可以是与所述视频相匹配的文本解说信息，也可以是文本标签。
步骤S2、提取所述视频的视频特征。
具体地，基于三维卷积模块（3D conv）提取所述视频的视频特征。例如，所述视频特征的shape为（32，224，224），其中32表示通道数，224，224分别表示图像的长度和高度。
步骤S3、提取所述音频的音频特征。
具体地，基于一维卷积模块（1D conv）提取所述音频的音频特征。例如，所述音频特征的形状（shape）为（32，224），其中32表示通道数，224表示所述音频特征的序列长度。
步骤S4、对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征。
具体地，如图3所示，对所述视频特征和所述音频特征进行融合包括以下步骤。
S41）基于第一帧注意力网络对所述视频特征进行多次处理，获取处理视频特征；所述第一帧注意力网络的输入为所述视频特征，输出为所述处理视频特征B1=V1*SoftMax( K1*Q1)，其中K1= A1*W_k1，Q1=A1*W_q1，V1=A1*W_v1，A1为所述视频特征，W_k1、W_q1、W_v1为所述第一帧注意力网络的矩阵参数。
其中，本发明设计了一种帧注意力（1、Frame-Attention）网络。在所述帧注意力网络中内部设计3个矩阵参数，分别为W_k、W_q、W_v，输入为A，输出为B，且B=V*Att-Weight，K=A*W_k，Q = A*W_q，V=A*W_v，Att-Weight = SoftMax( K* Q)。其中，所述输入和所述输出的形状大小相同。例如，所述输入和所述输出的形状均为（32，224，224）。
因此，将所述视频特征输入所述第一帧注意力网络，即可得到所述处理视频特征。例如，所述处理视频特征的形状为（32，224，224）。
需要说明的是，为了提升精度，可将所述处理视频特征作为输入，基于帧注意力网络对再次处理，从而实现多次循环处理。
S42）基于第二帧注意力网络对所述音频特征进行多次处理，获取处理音频特征；所述第二帧注意力网络的输入为所述音频特征，输出为所述处理音频特征B2=V2*SoftMax( K2*Q2)，其中K2= A2*W_k2，Q=A2*W_q2，V2=A2*W_v2，A2为所述音频特征，W_k2、W_q2、W_v2为所述第二帧注意力网络的矩阵参数。
其中，将将所述音频特征输入所述第二帧注意力网络，即可得到所述处理音频特征。例如，所述处理音频特征的形状为（32，224）。
需要说明的是，为了提升精度，可将所述处理音频特征作为输入，基于帧注意力网络对再次处理，从而实现多次循环处理。
S43）基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第一融合特征和所述第二融合特征。
其中，本发明中基于交叉注意力网络（Cross attention）完成特征融合。
首先，对所述处理音频特征进行重复配置，以与所述处理视频特征大小相一致。例如，将形状为（32，224）的音频特征重复224次，得到形状为（32，224，224）的音频特征。然后，将配置后的处理音频特征作为Q3，所述处理视频特征作为K3和V3，根据C1=V3*SoftMax(K3*Q3)获取所述第一融合特征C1，其形状为（32，224，224）。
然后，选取所述处理视频特征的最后一个特征。例如选取形状为（32，224，224）的处理视频特征的最后一个特征，其形状为（32，224）。然后，将所述最后一个特征作为Q4，所述处理音频特征作为K4和V4，根据C2=V4*SoftMax(K4*Q4)获取所述第二融合特征C2，其形状为（32，224）。
需要说明的是，为了提升融合精度，可将所述第一融合特征和第二融合特征作为视频特征，重复多次执行步骤41-43）。
步骤S5、提取所述文本的文本特征。
具体地，基于用clip模型的Text Encoder 和全连接层（FC）来提取文本特征。其中，将所述文本输入clip模型的Text Encoder后再经过全连接层，以获取所述文本特征。例如，所述文本特征包括1000个特征值。
步骤S6、基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果。
具体地，基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果包括以下步骤。
61）选取所述第一融合特征的最后一个特征，对所述最后一个特征进行flatten操作后经过全连接层，以获取与所述文本特征相同大小的第一特征值。
其中，在第一融合特征C1中选取最后一个特征，形状为（224，224）。对最后一个特征做flatten操作，再输入一个全连接层，获取包括1000个特征值的第一特征值。
62）对所述第二融合特征进行flatten操作（50176 = 224 * 224）后经过全连接层，以获取与所述文本特征相同大小的第二特征值。
其中，对第二融合特征C2做flatten操作（7168 = 32 * 224），输入一个全连接层，获取包括1000个特征值的第二特征值。
63）对所述第一特征值、第二特征值和所述文本特征进行加权平均后执行SoftMax操作，以获取所述分类结果。
其中，对所述第一特征值、第二特征值和所述文本特征进行镜像加权平均，如（C1*0.5 + C2*0.2+C3*0.3）/3；再将加权平均值进行SoftMax操作，即可得到所述分类结果。
本发明实施例所述的多模态增强的视频分类方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明实施例还提供一种多模态增强的视频分类系统，所述多模态增强的视频分类系统可以实现本发明所述的多模态增强的视频分类方法，但本发明所述的多模态增强的视频分类系统的实现装置包括但不限于本实施例列举的多模态增强的视频分类系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
如图4所示，于一实施例中，本发明的多模态增强的视频分类系统包括获取模块41、第一提取模块42、第二提取模块43、融合模块44、第三提取模块45和分类模块46。
所述获取模块41用于获取包含音频和文本的视频。
所述第一提取模块42与所述获取模块41相连，用于提取所述视频的视频特征。
所述第二提取模块43与所述获取模块41相连，用于提取所述音频的音频特征。
所述融合模块44与所述第一提取模块42和所述第二提取模块43相连，用于对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征。
所述第三提取模块45与所述获取模块41相连，用于提取所述文本的文本特征。
所述分类模块46与所述融合模块44和所述第三提取模块45相连，用于基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果。
其中，获取模块41、第一提取模块42、第二提取模块43、融合模块44、第三提取模块45和分类模块46的结构和原理与上述多模态增强的视频分类方法中的步骤一一对应，故在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本发明实施例的目的。例如，在本发明各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性（non-transitory）介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带（magnetictape），软盘（floppy disk），光盘（optical disc）及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如数字视频光盘（digital video disc，DVD））、或者半导体介质（例如固态硬盘（solid state disk，SSD））等。
本发明实施例还提供了一种电子设备。所述电子设备包括处理器和存储器。
所述存储器用于存储计算机程序。
所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的多模态增强的视频分类方法。
优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
如图5所示，本发明的电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元51，存储器52，连接不同系统组件（包括存储器52和处理单元51）的总线53。
总线53表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器52可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）521和/或高速缓存存储器522。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统523可以用于读写不可移动的、非易失性磁介质（图5未显示，通常称为“硬盘驱动器”）。尽管图5中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM ，DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线53相连。存储器52可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块5241的程序/实用工具524，可以存储在例如存储器52中，这样的程序模块5241包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块5241通常执行本发明所描述的实施例中的功能和/或方法。
电子设备也可以与一个或多个外部设备（例如键盘、指向设备、显示器等）通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口54进行。并且，电子设备还可以通过网络适配器55与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图5所示，网络适配器55通过总线53与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种多模态增强的视频分类方法，其特征在于，所述方法包括以下步骤：
获取包含音频和文本的视频；
提取所述视频的视频特征；
提取所述音频的音频特征；
对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征；
提取所述文本的文本特征；
基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果；
对所述视频特征和所述音频特征进行融合包括以下步骤：
基于第一帧注意力网络对所述视频特征进行多次处理，获取处理视频特征；所述第一帧注意力网络的输入为所述视频特征，输出为所述处理视频特征B1=V1*SoftMax( K1*Q1)，其中K1= A1*W_k1，Q1=A1*W_q1，V1=A1*W_v1，A1为所述视频特征，W_k1、W_q1、W_v1为所述第一帧注意力网络的矩阵参数；
基于第二帧注意力网络对所述音频特征进行多次处理，获取处理音频特征；所述第二帧注意力网络的输入为所述音频特征，输出为所述处理音频特征B2=V2*SoftMax( K2*Q2)，其中K2= A2*W_k2，Q=A2*W_q2，V2=A2*W_v2，A2为所述音频特征，W_k2、W_q2、W_v2为所述第二帧注意力网络的矩阵参数；
基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第一融合特征和所述第二融合特征。
2.根据权利要求1所述的多模态增强的视频分类方法，其特征在于：基于三维卷积模块提取所述视频的视频特征；基于一维卷积模块提取所述音频的音频特征。
3.根据权利要求1所述的多模态增强的视频分类方法，其特征在于：基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第一融合特征包括以下步骤：
对所述处理音频特征进行重复配置，以与所述处理视频特征大小相一致；
将配置后的处理音频特征作为Q3，所述处理视频特征作为K3和V3，根据C1=V3*SoftMax(K3*Q3)获取所述第一融合特征。
4.根据权利要求1所述的多模态增强的视频分类方法，其特征在于：基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第二融合特征包括以下步骤：
选取所述处理视频特征的最后一个特征；
将所述最后一个特征作为Q4，所述处理音频特征作为K4和V4，根据C2=V4*SoftMax(K4*Q4)获取所述第二融合特征。
5.根据权利要求1所述的多模态增强的视频分类方法，其特征在于：基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果包括以下步骤：
选取所述第一融合特征的最后一个特征，对所述最后一个特征进行flatten操作后经过全连接层，以获取与所述文本特征相同大小的第一特征值；
对所述第二融合特征进行flatten操作后经过全连接层，以获取与所述文本特征相同大小的第二特征值；
对所述第一特征值、第二特征值和所述文本特征进行加权平均后执行SoftMax操作，以获取所述分类结果。
6.根据权利要求1所述的多模态增强的视频分类方法，其特征在于：提取所述文本的文本特征包括：
将所述文本输入clip模型的Text Encoder后再经过全连接层，以获取所述文本特征。
7.一种多模态增强的视频分类系统，其特征在于，所述系统包括获取模块、第一提取模块、第二提取模块、融合模块、第三提取模块和分类模块；
所述获取模块用于获取包含音频和文本的视频；
所述第一提取模块用于提取所述视频的视频特征；
所述第二提取模块用于提取所述音频的音频特征；
所述融合模块用于对所述视频特征和所述音频特征进行多次融合，获取第一融合特征和第二融合特征；
所述第三提取模块用于提取所述文本的文本特征；
所述分类模块用于基于所述第一融合特征、所述第二融合特征和所述文本特征获取所述视频的分类结果；
对所述视频特征和所述音频特征进行融合包括以下步骤：
基于第一帧注意力网络对所述视频特征进行多次处理，获取处理视频特征；所述第一帧注意力网络的输入为所述视频特征，输出为所述处理视频特征B1=V1*SoftMax( K1*Q1)，其中K1= A1*W_k1，Q1=A1*W_q1，V1=A1*W_v1，A1为所述视频特征，W_k1、W_q1、W_v1为所述第一帧注意力网络的矩阵参数；
基于第二帧注意力网络对所述音频特征进行多次处理，获取处理音频特征；所述第二帧注意力网络的输入为所述音频特征，输出为所述处理音频特征B2=V2*SoftMax( K2*Q2)，其中K2= A2*W_k2，Q=A2*W_q2，V2=A2*W_v2，A2为所述音频特征，W_k2、W_q2、W_v2为所述第二帧注意力网络的矩阵参数；
基于交叉注意力网络，根据所述处理音频特征和所述处理视频特征获取所述第一融合特征和所述第二融合特征。
8.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行权利要求1至6中任一项所述的多模态增强的视频分类方法。
9.一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，该程序被电子设备执行时实现权利要求1至6中任一项所述的多模态增强的视频分类方法。
CN202310927018.5A 2023-07-27 2023-07-27 多模态增强的视频分类方法、系统、存储介质及电子设备 Active CN116701708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310927018.5A CN116701708B (zh) 2023-07-27 2023-07-27 多模态增强的视频分类方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310927018.5A CN116701708B (zh) 2023-07-27 2023-07-27 多模态增强的视频分类方法、系统、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN116701708A true CN116701708A (zh) 2023-09-05
CN116701708B CN116701708B (zh) 2023-11-17

Family

ID=87829544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310927018.5A Active CN116701708B (zh) 2023-07-27 2023-07-27 多模态增强的视频分类方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116701708B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209970A (zh) * 2020-01-08 2020-05-29 Oppo（重庆）智能科技有限公司 视频分类方法、装置、存储介质及服务器
CN112967713A (zh) * 2021-01-23 2021-06-15 西安交通大学 一种基于多次模态融合的视听语音识别方法、装置、设备和存储介质
CN113094549A (zh) * 2021-06-10 2021-07-09 智者四海（北京）技术有限公司 一种视频分类方法、装置、电子设备和存储介质
CN113408385A (zh) * 2021-06-10 2021-09-17 华南理工大学 一种音视频多模态情感分类方法及系统
US20210319897A1 (en) * 2020-04-13 2021-10-14 aiberry, Inc. Multimodal analysis combining monitoring modalities to elicit cognitive states and perform screening for mental disorders
US11281945B1 (en) * 2021-02-26 2022-03-22 Institute Of Automation, Chinese Academy Of Sciences Multimodal dimensional emotion recognition method
CN114443899A (zh) * 2022-01-28 2022-05-06 腾讯科技（深圳）有限公司 视频分类方法、装置、设备及介质
CN114511906A (zh) * 2022-01-20 2022-05-17 重庆邮电大学 基于跨模态动态卷积的视频多模态情感识别方法、装置及计算机设备
CN114973044A (zh) * 2021-02-22 2022-08-30 上海大学 一种基于双模态信息增强多头注意力的视频情感分析方法
CN115019237A (zh) * 2022-06-30 2022-09-06 中国电信股份有限公司 多模态情感分析方法、装置、电子设备及存储介质
CN115049953A (zh) * 2022-05-09 2022-09-13 中移（杭州）信息技术有限公司 视频处理方法、装置、设备及计算机可读存储介质
CN115393933A (zh) * 2022-08-23 2022-11-25 重庆邮电大学 一种基于帧注意力机制的视频人脸情绪识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209970A (zh) * 2020-01-08 2020-05-29 Oppo（重庆）智能科技有限公司 视频分类方法、装置、存储介质及服务器
US20210319897A1 (en) * 2020-04-13 2021-10-14 aiberry, Inc. Multimodal analysis combining monitoring modalities to elicit cognitive states and perform screening for mental disorders
CN112967713A (zh) * 2021-01-23 2021-06-15 西安交通大学 一种基于多次模态融合的视听语音识别方法、装置、设备和存储介质
CN114973044A (zh) * 2021-02-22 2022-08-30 上海大学 一种基于双模态信息增强多头注意力的视频情感分析方法
US11281945B1 (en) * 2021-02-26 2022-03-22 Institute Of Automation, Chinese Academy Of Sciences Multimodal dimensional emotion recognition method
CN113094549A (zh) * 2021-06-10 2021-07-09 智者四海（北京）技术有限公司 一种视频分类方法、装置、电子设备和存储介质
CN113408385A (zh) * 2021-06-10 2021-09-17 华南理工大学 一种音视频多模态情感分类方法及系统
CN114511906A (zh) * 2022-01-20 2022-05-17 重庆邮电大学 基于跨模态动态卷积的视频多模态情感识别方法、装置及计算机设备
CN114443899A (zh) * 2022-01-28 2022-05-06 腾讯科技（深圳）有限公司 视频分类方法、装置、设备及介质
CN115049953A (zh) * 2022-05-09 2022-09-13 中移（杭州）信息技术有限公司 视频处理方法、装置、设备及计算机可读存储介质
CN115019237A (zh) * 2022-06-30 2022-09-06 中国电信股份有限公司 多模态情感分析方法、装置、电子设备及存储介质
CN115393933A (zh) * 2022-08-23 2022-11-25 重庆邮电大学 一种基于帧注意力机制的视频人脸情绪识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张亚洲;戎璐;宋大为;张鹏;: "多模态情感分析研究综述", 模式识别与人工智能, no. 05 *

Also Published As

Publication number Publication date
CN116701708B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN116912353A (zh) 多任务图像处理方法、系统、存储介质及电子设备
CN118135571B (zh) 图像语义分割方法、系统、存储介质及电子设备
WO2024212485A1 (zh) Ocr识别方法、系统、存储介质及电子设备
CN116701708B (zh) 多模态增强的视频分类方法、系统、存储介质及电子设备
CN118283201B (zh) 视频合成方法、系统、存储介质及电子设备
CN116630633B (zh) 语义分割自动标注方法、系统、存储介质及电子设备
CN118196695B (zh) 视频语义分割方法、系统、存储介质及电子设备
CN118154883B (zh) 目标语义分割方法、系统、存储介质及电子设备
CN117348799B (zh) 自动识别eeprom型号的方法、系统、存储介质及电子设备
CN118036592A (zh) 地域隶属关系纠错方法、系统、存储介质及电子设备
CN118411511A (zh) 实例分割方法、系统、存储介质及电子设备
CN118366082A (zh) 视听情感识别方法、系统、存储介质及电子设备
CN118338098B (zh) 多模态视频生成方法、系统、存储介质及电子设备
CN118279152B (zh) 图像超分辨率重建方法、系统、存储介质及电子设备
CN118314409B (zh) 多模态图像分类方法、系统、存储介质及电子设备
CN117079643A (zh) 语音识别方法、系统、存储介质及电子设备
CN118485865A (zh) 任意关注目标分类方法、系统、介质及电子设备
CN117079198A (zh) 液滴阴阳性识别方法、系统、存储介质及电子设备
CN116542880B (zh) 图像自动修复方法、系统、存储介质及电子设备
CN118279611A (zh) 图像差异描述方法、系统、存储介质及电子设备
CN118628610A (zh) 图像筛选方法、系统、存储介质及电子设备
CN103297487B (zh) 定位辅助方法和装置
CN116912871A (zh) 身份证信息抽取方法、系统、存储介质及电子设备
CN118098265A (zh) 一种视频处理方法、系统、介质及电子设备
CN116861889A (zh) 傈僳文文本纠错方法、系统、存储介质及电子设备

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 301ab, No.10, Lane 198, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai 201204

Patentee after: Shanghai Mido Technology Co.,Ltd.

Address before: Room 301ab, No.10, Lane 198, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai 201204

Patentee before: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.