CN117061788A - 一种短视频自动化监管与预警方法、设备及存储设备 - Google Patents
一种短视频自动化监管与预警方法、设备及存储设备 Download PDFInfo
- Publication number
- CN117061788A CN117061788A CN202311288938.3A CN202311288938A CN117061788A CN 117061788 A CN117061788 A CN 117061788A CN 202311288938 A CN202311288938 A CN 202311288938A CN 117061788 A CN117061788 A CN 117061788A
- Authority
- CN
- China
- Prior art keywords
- short video
- data
- image
- text
- residual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000013518 transcription Methods 0.000 claims description 2
- 230000035897 transcription Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供了一种短视频自动化监管与预警方法，包括：通过短视频检测系统获取短视频数据，通过自定义的数据集，训练snownlp模型；通过训练后的所述snownlp模型以及通过残差单元改进后的NSFW模型，分析所述短视频数据，确定短视频违规值；将所述短视频违规值与预设阈值进行对比，确定短视频的违规程度，根据所述短视频数据以及所述违规程度，通过交互系统显示所述短视频数据的可视化图表。综合短视频的图像、文本及语音三个方面的表现对其违规值进行打分，与预设阈值进行对比评级，将违规程度大的短视频优先推送给监管人员，实现了短视频监管与预警的自动化，提高了短视频监管的工作效率。
Description
技术领域
本申请涉及短视频监管领域，尤其涉及一种短视频自动化监管与预警方法、设备及存储设备。
背景技术
从短视频创作到发布至平台的过程中，对短视频内容进行监管的是保障短视频内容健康的必备项。在以往的短视频监管过程中，采用了人工审核的形式。而由于短视频平台每天上传的视频数量大，受短视频审核员数量限制，不能有效的对所有短视频进行逐一准确甄别，无法达到短视频内容完全健康的效果，同时也给有限的审核员工带来巨大压力，降低了视频审核的效率与准确性。
此外，尽管相关法律法规和部门对于网络短视频的审核标准及内容进行了细致的规定，由于短视频行业的一些天然特性使得监管效力低，执行标准不明确。
针对目前短视频平台采用的人工审核模式，其虽然在计算机上实现，但由于人工审核的效率缺陷与准确度缺陷，无法应付大规模的短视频审核任务，且没有有效的利用计算机智能审核的特点，无法将短视频审核转化为一个数字化以及自动化的操作。
发明内容
本申请的目的在于解决常规的短视频审核模式，无法应付大规模的短视频审核任务的技术问题，提供一种短视频自动化监管与预警方法、设备及存储设备。
本申请的上述目的是通过以下技术方案得以实现的：
S1：获取短视频数据；所述短视频数据包括：文本数据、语音数据以及图像数据；
S2：通过实验生成违规字辞典，确定自定义数据集；通过python的snownlp库训练得到snownlp模型；通过自定义数据集，训练所述 snownlp模型；
通过训练后的所述snownlp模型对所述文本数据以及所述语音数据进行处理，确定文本的违规值，具体包括：
将所述语音数据的内容转写为语音文本数据；对所述语音文本数据筛选，提取关键文本信息；
将所述关键文本信息与所述文本数据进行合并，生成合并文本信息；所述合并文本信息与所述图像数据的每一帧图像对应；
将n个所述合并文本信息输入训练后的所述snownlp模型中，计算出所述文本的违规值；
S3：根据灰度差分统计法提取所述图像数据的纹理特征，根据灰度平均值统计法提取所述图像数据的灰度特征；
S4：根据所述纹理特征以及所述灰度特征，计算图像的违规值，具体步骤如下：
S41：根据所述纹理特征以及所述灰度特征，将所述图像分离为人物图像以及背景图像；
S42：根据YCbCr基于肤色的检测算法对所述人物图像进行检测，确定检测结果；
若所述人物图像中皮肤区域像素所占面积小于整幅图像的预设数值且所述人物图像中最大皮肤区域的面积占总皮肤面积的比值小于预设数值，则所述人物图像被认为是非违规图像；
S43：若所述检测结果认定所述人物图像不是所述非违规图像，则将n个所述人物图像逐个输入通过残差机制改进后的NSFW模型中进行违规图像感知，确定所述图像的NSFW得分；
S5：将所述文本的违规值以及所述图像的NSFW得分/>进行融合，剔除/>之外的数据，计算短视频违规值；将所述短视频违规值与预设违规值进行对比，确定短视频的违规程度。
在本申请中，表示期望，/>表示标准差。
可选的，步骤S1包括：S11：将短视频转写为mp4格式，对所述mp4格式的文件进行固定的隔帧截取，获取所述短视频数据中的图像数据；
所述图像数据的属性包括：图片格式、图片截取的间隔以及图像数量；
S12：基于paddleocr对隔帧截图后的图像进行文字提取，获得图像中的文本数据，确定为所述短视频数据中的文本数据；
所述文本数据包括：短视频标题、短视频简介、短视频弹幕和评论；
所述文本数据的属性包括：文本中是否含有敏感字词、文本中是否含有低俗内容以及文本中是否含有侵权内容。
可选的，通过百度API的语音转文字将所述语音数据的内容转写为语音文本数据。
可选的，所述人物图像中皮肤区域像素所占面积小于整幅图像的30%且所述人物图像中最大皮肤区域的面积占总皮肤面积的比值小于50%，则所述人物图像被认为是非违规图像。
可选的，步骤S43包括：
在原有Yahoo开源的NSFW模型的训练中引入所述残差机制进行改进，具体如下：
所述残差机制的个残差单元可以表示为：
其中，和/>个残差单元的输入和输出；/>表示残差函数，表示学习到的残差；/>表示恒等函数；/>表示残差块内的所有权重；/>表示所述恒等函数的结果与所述残差函数相加的结果；
将训练NSFW模型的拟合函数细分为个残差单元，各个所述残差单元串联，所述残差单元对输入的数据分成两路处理，包一路为通过恒等函数处理，另一路为通过残差函数处理；
将所述人物图像的数据输入至残差单元进行处理，将所述恒等函数的结果与所述残差函数相加的结果输入至激活函数f，所述激活函数f的输出即为下一个残差单元的输入。
一种短视频自动化监管与预警系统，所述系统包括：短视频检测系统、数据库系统以及交互系统；
所述短视频检测系统用于实现权利要求1~5的任意一种短视频自动化监管与预警方法；
所述短视频检测系统获取短视频数据；对所述短视频数据进行分析以及编辑整理，确定所述短视频数据的可视化图表；将所述短视频数据以及所述可视化图表存入所述数据库系统；
通过所述数据库系统将所述短视频数据以及对应的可视化图表分开存储；
通过所述交互系统通过获取用户输入的指令，显示所述短视频数据以及对应的可视化图表。
一种存储设备，存储设备存储指令及数据用于实现一种短视频自动化监管与预警方法。
一种短视频自动化监管与预警设备，包括：处理器及存储设备；处理器加载并执行存储设备中的指令及数据用于实现一种短视频自动化监管与预警方法。
本申请提供的技术方案带来的有益效果是：
通过短视频检测系统获取短视频数据，通过自定义的数据集，训练snownlp模型；通过训练后的snownlp模型以及深度学习图像处理技术，分析短视频数据，确定短视频违规值；将短视频违规值与预设阈值进行对比，确定短视频的违规程度，根据短视频数据以及违规程度，通过交互系统显示短视频数据的可视化图表。实现了短视频监管与预警的自动化，提高了短视频监管的工作效率；通过对短视频的多模态检测，降低了短视频检测系统的误判率，提高了短视频监管与预警的准确率与召回率。
附图说明
下面将结合附图及实施例对本申请作进一步说明，附图中：
图1是本申请实施例中短视频自动化监管与预警方法的系统布局框架；
图2是本申请实施例中短视频自动化监管与预警方法的主界面数据视图示例；
图3是本申请实施例中硬件设备工作的示意图。
具体实施方式
为了对本申请的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本申请的具体实施方式。
本申请的实施例提供了一种短视频自动化监管与预警方法、设备及存储设备，方法具体包括如下步骤：
S1：获取短视频数据；所述短视频数据包括：文本数据、语音数据以及图像数据；
S2：通过实验生成违规字辞典，确定自定义数据集；通过python的snownlp库训练得到snownlp模型；通过自定义数据集，训练所述 snownlp模型；
通过训练后的所述snownlp模型对所述文本数据以及所述语音数据进行处理，确定文本的违规值，具体包括：
将所述语音数据的内容转写为语音文本数据；对所述语音文本数据筛选，提取关键文本信息；
将所述关键文本信息与所述文本数据进行合并，生成合并文本信息；所述合并文本信息与所述图像数据的每一帧图像对应；
将n个所述合并文本信息输入训练后的所述snownlp模型中，计算出所述文本的违规值；
S3：根据灰度差分统计法提取所述图像数据的纹理特征，根据灰度平均值统计法提取所述图像数据的灰度特征；
S4：根据所述纹理特征以及所述灰度特征，计算图像的违规值，具体步骤如下：
S41：根据所述纹理特征以及所述灰度特征，将所述图像分离为人物图像以及背景图像；
S42：根据YCbCr基于肤色的检测算法对所述人物图像进行检测，确定检测结果；
若所述人物图像中皮肤区域像素所占面积小于整幅图像的预设数值且所述人物图像中最大皮肤区域的面积占总皮肤面积的比值小于预设数值，则所述人物图像被认为是非违规图像；
S43：若所述检测结果认定所述人物图像不是所述非违规图像，则将n个所述人物图像逐个输入通过残差机制改进后的NSFW模型中进行违规图像感知，确定所述图像的NSFW得分；
S5：将所述文本的违规值以及所述图像的NSFW得分/>进行融合，剔除/>之外的数据，计算短视频违规值；将所述短视频违规值与预设违规值进行对比，确定短视频的违规程度。
具体的，违规程度包括：2以下正常，2~8为疑似违规，8~10为确定违规；通过系统将短视频视频违规程度进行分值化，实现了短视频监管的数字化和自动化。利用计算机进行短视频信息获取与清洗、视频数据存储与检测、视频检测信息展示等操作，实现了系统检测违规短视频的一体化流程，从而提高短视频信息获取效率；
通过从图像、语音、文字三个模态对视频进行感知，将正常视频和异常视频进行分类，可有效降低短视频检测过程中出现误差的几率，提高了短视频检测的准确性。
具体的，目前短视频通常为30帧/秒，通过大量数据分析，短视频的节奏较慢，通常3秒左右才会出现新的一张图片，故每隔90帧截取一张图像，完成图像数据的获取。
通过百度API的语音转文字将所述语音数据的内容转写为语音文本数据。
人物图像中皮肤区域像素所占面积小于整幅图像的30%且人物图像中最大皮肤区域的面积占总皮肤面积的比值小于50%，则人物图像被认为是非违规图像。
步骤S1包括：S11：将短视频转写为mp4格式，对所述mp4格式的文件进行固定的隔帧截取，获取所述短视频数据中的图像数据；
所述图像数据的属性包括：图片格式、图片截取的间隔以及图像数量；
S12：基于paddleocr对隔帧截图后的图像进行文字提取，获得图像中的文本数据，确定为所述短视频数据中的文本数据；
所述文本数据包括：短视频标题、短视频简介、短视频弹幕和评论；
所述文本数据的属性包括：文本中是否含有敏感字词、文本中是否含有低俗内容以及文本中是否含有侵权内容。
步骤S43包括：
在原有Yahoo开源的NSFW模型的训练中引入所述残差机制进行改进，将原有的50层网络提升为101层，增加了模型检测的准确度，具体如下：
所述残差机制的个残差单元可以表示为：
其中，和/>个残差单元的输入和输出；/>表示残差函数，表示学习到的残差；/>表示恒等函数；/>表示残差块内的所有权重；表示所述恒等函数的结果与所述残差函数相加的结果；
将训练NSFW模型的拟合函数细分为个残差单元，各个所述残差单元串联，所述残差单元对输入的数据分成两路处理，包一路为通过恒等函数处理，另一路为通过残差函数处理；
将所述人物图像的数据输入至残差单元进行处理，将所述恒等函数的结果与所述残差函数相加的结果输入至激活函数f，所述激活函数f的输出即为下一个残差单元的输入。
一种短视频自动化监管与预警系统，所述系统包括：短视频检测系统、数据库系统以及交互系统；
所述短视频检测系统用于实现权利要求1~5的任意一种短视频自动化监管与预警方法；
所述短视频检测系统获取短视频数据；对所述短视频数据进行分析以及编辑整理，确定所述短视频数据的可视化图表；将所述短视频数据以及所述可视化图表存入所述数据库系统；
通过所述数据库系统将所述短视频数据以及对应的可视化图表分开存储；
通过所述交互系统通过获取用户输入的指令，显示所述短视频数据以及对应的可视化图表。
具体的，通过交互系统提供了方便、简单的操作界面，获得用户指令；通过短视频检测系统获取短视频数据并进行分析，判断其违规程度，并存入数据库系统；通过数据库系统提供数据的存储服务，将不同短视频平台的数据分开存储，并将结果返回给交互系统；通过自定义词库的敏感词检测模块，将获取的文本数据与自定义词库本进行敏感词匹配，检测短视频中可能存在的敏感词。
基于TensorFlow框架下NSFW模型的短视频监管与预警系统的具体操作为：在系统主界面中，系统主要为用户提供关于所有数据的汇总，便于用户对数据进行整体分析。具体为用户提供了包括近期重点事件，各平台违规视频占比，各平台检测视频视频总数以及系统关于检测视频、检测违规视频、人工已审阅视频、待审阅视频的总量在内的一系列信息。用户可以在此页面中进行快速阅览，从而对所有信息有一个大体了解。
参考图2为系统的主界面数据视图示例，具体操作为：用户可以选择查看数据的类型，如折线图、柱状图、数据表，从而选择合适的审阅形式进行信息获。点击“关闭”图标，可结束视频获取与监管。点击“刷新”图标，可更新表单内容，避免出现表单内容不更新的问题。点击页面左侧需要查看的短视频平台可以进入其监管界面。
通过数据库系统，将不同短视频平台的数据分开存储。数据层通过SQL语句对业务层的请求进行数据库的增删改查，并将结果返回给交互系统；
通过交互系统，完成短视频数据采集与整理、数据展示与编辑、数据共享。同时提供方便、简单的操作界面，便于用户使用。当用户验证登入成功后，才可以数据查询、视频分类的操作。在进行请求处理时，系统与数据层进行交互。在主界面中，将所有数据进行汇总并进行展示，方便用户对检测数据进行高效阅览。在智能监管界面中，用户可以进行视频数据的查询，对视频违规程度进行更详细的阅览，并进行短视频分类操作；
通过短视频检测系统从三个模块对短视频进行分析，判断其违规概率并进行打分。在数据存入数据库系统的过程中，程序后台会对这些数据分析，并且在交互系统中实时渲染出相应的样图。
在本申请中，所述不同短视频平台的数据包括：用户数据、视频点赞转发数据、视频简介信息数据和视频创作者数据。
在本申请中，基于帧差的短视频状态感知与分析模块使用到深度学习图像处理技术。
在本申请中，文本审核使用到DFA算法；
具体是通过event和当前的state得到下一个state，即
event+state=nextstate[1]
只有状态的变化，没有过多的运算。原理为：在一个有限的集合，其中的元素都有两种状态即结束和继续，过程为从一个元素开始检索到下一个元素，直到元素的状态为结束为止。
请参见图3，图3是本申请实施例的硬件设备工作示意图，硬件设备具体包括：一种短视频自动化监管与预警设备401、处理器402及存储设备403。
一种短视频自动化监管与预警设备401：一种短视频自动化监管与预警设备401实现一种短视频自动化监管与预警方法。
处理器402：处理器402加载并执行存储设备403中的指令及数据用于实现一种短视频自动化监管与预警方法。
存储设备403：存储设备403存储指令及数据；存储设备403用于实现一种短视频自动化监管与预警方法。
以上仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种短视频自动化监管与预警方法，其特征在于方法包括以下步骤：
S1：获取短视频数据；所述短视频数据包括：文本数据、语音数据以及图像数据；
S2：通过实验生成违规字辞典，确定自定义数据集；通过python的snownlp库训练得到snownlp模型；通过自定义数据集，训练所述 snownlp模型；
通过训练后的所述snownlp模型对所述文本数据以及所述语音数据进行处理，确定文本的违规值，具体包括：
将所述语音数据的内容转写为语音文本数据；对所述语音文本数据筛选，提取关键文本信息；
将所述关键文本信息与所述文本数据进行合并，生成合并文本信息；所述合并文本信息与所述图像数据的每一帧图像对应；
将n个所述合并文本信息输入训练后的所述snownlp模型中，计算出所述文本的违规值；
S3：根据灰度差分统计法提取所述图像数据的纹理特征，根据灰度平均值统计法提取所述图像数据的灰度特征；
S4：根据所述纹理特征以及所述灰度特征，计算图像的违规值，具体步骤如下：
S41：根据所述纹理特征以及所述灰度特征，将所述图像分离为人物图像以及背景图像；
S42：根据YCbCr基于肤色的检测算法对所述人物图像进行检测，确定检测结果；
若所述人物图像中皮肤区域像素所占面积小于整幅图像的预设数值且所述人物图像中最大皮肤区域的面积占总皮肤面积的比值小于预设数值，则所述人物图像被认为是非违规图像；
S43：若所述检测结果认定所述人物图像不是所述非违规图像，则将n个所述人物图像逐个输入通过残差机制改进后的NSFW模型中进行违规图像感知，确定所述图像的NSFW得分；
S5：将所述文本的违规值以及所述图像的NSFW得分/>进行融合，剔除/>之外的数据，计算短视频违规值；将所述短视频违规值与预设违规值进行对比，确定短视频的违规程度。
2.如权利要求1的一种短视频自动化监管与预警方法，其特征在于，步骤S1包括：
S11：将短视频转写为mp4格式，对所述mp4格式的文件进行固定的隔帧截取，获取所述短视频数据中的图像数据；
所述图像数据的属性包括：图片格式、图片截取的间隔以及图像数量；
S12：基于paddleocr对隔帧截图后的图像进行文字提取，获得图像中的文本数据，确定为所述短视频数据中的文本数据；
所述文本数据包括：短视频标题、短视频简介、短视频弹幕和评论；
所述文本数据的属性包括：文本中是否含有敏感字词、文本中是否含有低俗内容以及文本中是否含有侵权内容。
3.如权利要求1的一种短视频自动化监管与预警方法，其特征在于，通过百度API的语音转文字将所述语音数据的内容转写为语音文本数据。
4.如权利要求1的一种短视频自动化监管与预警方法，其特征在于，所述人物图像中皮肤区域像素所占面积小于整幅图像的30%且所述人物图像中最大皮肤区域的面积占总皮肤面积的比值小于50%，则所述人物图像被认为是非违规图像。
5.如权利要求1的一种短视频自动化监管与预警方法，其特征在于，步骤S43包括：
在原有Yahoo开源的NSFW模型的训练中引入所述残差机制进行改进，具体如下：
所述残差机制的个残差单元可以表示为：
其中，和/>个残差单元的输入和输出；/>表示残差函数，表示学习到的残差；/>表示恒等函数；/>表示残差块内的所有权重，/>表示所述恒等函数的结果与所述残差函数相加的结果；
将训练NSFW模型的拟合函数细分为个残差单元，各个所述残差单元串联，所述残差单元对输入的数据分成两路处理，包一路为通过恒等函数处理，另一路为通过残差函数处理；
将所述人物图像的数据输入至残差单元进行处理，将所述恒等函数的结果与所述残差函数相加的结果输入至激活函数f，所述激活函数f的输出即为下一个残差单元的输入。
6.一种短视频自动化监管与预警系统，其特征在于，所述系统包括：短视频检测系统、数据库系统以及交互系统；
所述短视频检测系统用于实现权利要求1~5的任意一种短视频自动化监管与预警方法；
所述短视频检测系统获取短视频数据；对所述短视频数据进行分析以及编辑整理，确定所述短视频数据的可视化图表；将所述短视频数据以及所述可视化图表存入所述数据库系统；
通过所述数据库系统将所述短视频数据以及对应的可视化图表分开存储；
通过所述交互系统通过获取用户输入的指令，显示所述短视频数据以及对应的可视化图表。
7.一种存储设备，其特征在于：存储设备存储指令及数据用于实现权利要求1~5的任意一种短视频自动化监管与预警方法。
8.一种短视频自动化监管与预警设备，其特征在于：包括：处理器及存储设备；处理器加载并执行存储设备中的指令及数据用于实现权利要求1~5的任意一种短视频自动化监管与预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311288938.3A CN117061788B (zh) | 2023-10-08 | 2023-10-08 | 一种短视频自动化监管与预警方法、设备及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311288938.3A CN117061788B (zh) | 2023-10-08 | 2023-10-08 | 一种短视频自动化监管与预警方法、设备及存储设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117061788A true CN117061788A (zh) | 2023-11-14 |
| CN117061788B CN117061788B (zh) | 2023-12-19 |
Family
ID=88661157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311288938.3A Active CN117061788B (zh) | 2023-10-08 | 2023-10-08 | 一种短视频自动化监管与预警方法、设备及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117061788B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8340498B1 (en) * | 2009-02-03 | 2012-12-25 | Amazon Technologies, Inc. | Extraction of text elements from video content |
| WO2013013487A1 (zh) * | 2011-07-26 | 2013-01-31 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
| US20150003608A1 (en) * | 2013-07-01 | 2015-01-01 | Samsung Electronics Co., Ltd. | Method and device for authorizing video contents during video call |
| WO2017137947A1 (en) * | 2016-02-10 | 2017-08-17 | Vats Nitin | Producing realistic talking face with expression using images text and voice |
| CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
| KR20180129562A (ko) * | 2017-05-27 | 2018-12-05 | 주식회사 하이퍼커넥트 | 영상 통화 장치 및 영상 통화 방법 |
| CN112257661A (zh) * | 2020-11-11 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 低俗图像的识别方法、装置、设备及计算机可读存储介质 |
| WO2021047190A1 (zh) * | 2019-09-09 | 2021-03-18 | 深圳壹账通智能科技有限公司 | 基于残差网络的报警方法、装置、计算机设备和存储介质 |
| CN113163153A (zh) * | 2021-04-06 | 2021-07-23 | 游密科技(深圳)有限公司 | 视频会议中违规信息的处理方法、装置、介质及电子设备 |
| CN113989702A (zh) * | 2021-10-12 | 2022-01-28 | 北京科技大学顺德研究生院 | 一种目标识别方法和装置 |
| CN114363578A (zh) * | 2022-01-21 | 2022-04-15 | 中兴飞流信息科技有限公司 | 一种结合视频分析与单片机的监控告警提示方法及系统 |
| WO2022134833A1 (zh) * | 2020-12-23 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 语音信号的处理方法、装置、设备及存储介质 |
| US11418757B1 (en) * | 2018-03-30 | 2022-08-16 | Securus Technologies, Llc | Controlled-environment facility video communications monitoring system |
| CN115223204A (zh) * | 2022-07-18 | 2022-10-21 | 中国兵器装备集团自动化研究所有限公司 | 一种人员违规穿着检测方法、装置、设备及存储介质 |
| CN115512259A (zh) * | 2022-09-20 | 2022-12-23 | 南京烽火星空通信发展有限公司 | 一种基于多模态的短视频审核方法 |
-
2023
- 2023-10-08 CN CN202311288938.3A patent/CN117061788B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8340498B1 (en) * | 2009-02-03 | 2012-12-25 | Amazon Technologies, Inc. | Extraction of text elements from video content |
| WO2013013487A1 (zh) * | 2011-07-26 | 2013-01-31 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
| US20150003608A1 (en) * | 2013-07-01 | 2015-01-01 | Samsung Electronics Co., Ltd. | Method and device for authorizing video contents during video call |
| WO2017137947A1 (en) * | 2016-02-10 | 2017-08-17 | Vats Nitin | Producing realistic talking face with expression using images text and voice |
| KR20180129562A (ko) * | 2017-05-27 | 2018-12-05 | 주식회사 하이퍼커넥트 | 영상 통화 장치 및 영상 통화 방법 |
| CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
| US11418757B1 (en) * | 2018-03-30 | 2022-08-16 | Securus Technologies, Llc | Controlled-environment facility video communications monitoring system |
| WO2021047190A1 (zh) * | 2019-09-09 | 2021-03-18 | 深圳壹账通智能科技有限公司 | 基于残差网络的报警方法、装置、计算机设备和存储介质 |
| CN112257661A (zh) * | 2020-11-11 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 低俗图像的识别方法、装置、设备及计算机可读存储介质 |
| WO2022134833A1 (zh) * | 2020-12-23 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 语音信号的处理方法、装置、设备及存储介质 |
| CN113163153A (zh) * | 2021-04-06 | 2021-07-23 | 游密科技(深圳)有限公司 | 视频会议中违规信息的处理方法、装置、介质及电子设备 |
| CN113989702A (zh) * | 2021-10-12 | 2022-01-28 | 北京科技大学顺德研究生院 | 一种目标识别方法和装置 |
| CN114363578A (zh) * | 2022-01-21 | 2022-04-15 | 中兴飞流信息科技有限公司 | 一种结合视频分析与单片机的监控告警提示方法及系统 |
| CN115223204A (zh) * | 2022-07-18 | 2022-10-21 | 中国兵器装备集团自动化研究所有限公司 | 一种人员违规穿着检测方法、装置、设备及存储介质 |
| CN115512259A (zh) * | 2022-09-20 | 2022-12-23 | 南京烽火星空通信发展有限公司 | 一种基于多模态的短视频审核方法 |
Non-Patent Citations (1)
| Title |
|---|
| 任彦如;: "网络短视频内容智能分析监测系统设计", 广播与电视技术, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117061788B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021139279A1 (zh) | 基于分类模型的数据处理方法、装置、电子设备及介质 | |
| CN110619568A (zh) | 风险评估报告的生成方法、装置、设备及存储介质 | |
| WO2021011776A1 (en) | Systems and methods for populating a structured database based on an image representation of a data table | |
| KR20160132842A (ko) | 플로우 문서를 생성하기 위한 이미지 문서 컴포넌트 검출 및 추출 기법 | |
| CN108280051B (zh) | 一种文本数据中错误字符的检测方法、装置和设备 | |
| CN112015721A (zh) | 一种基于大数据的电商平台存储数据库的优化方法 | |
| CN113408323B (zh) | 表格信息的提取方法、装置、设备及存储介质 | |
| CN110222513B (zh) | 一种线上活动的异常监测方法、装置及存储介质 | |
| CN112765003B (zh) | 一种基于app行为日志的风险预测方法 | |
| CN112258254B (zh) | 基于大数据架构的互联网广告风险监测方法及系统 | |
| CN110019820A (zh) | 一种病历中主诉与现病史症状时间一致性检测方法 | |
| CN114692593A (zh) | 一种网络信息安全监测预警方法 | |
| CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
| Zeng et al. | JRL‐YOLO: A Novel Jump‐Join Repetitious Learning Structure for Real‐Time Dangerous Object Detection | |
| CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN117725161A (zh) | 文本中变种词的识别及提取敏感词的方法和系统 | |
| CN117709317A (zh) | 报表文件的处理方法、装置及电子设备 | |
| CN113822521A (zh) | 题库题目的质量检测方法、装置及存储介质 | |
| CN117061788B (zh) | 一种短视频自动化监管与预警方法、设备及存储设备 | |
| CN112131354A (zh) | 答案筛选方法、装置、终端设备和计算机可读存储介质 | |
| CN116955445A (zh) | 基于信息抽取的投诉事件数据挖掘分析方法及系统 | |
| CN108334602B (zh) | 数据标注方法和装置、电子设备、计算机存储介质 | |
| CN111291259B (zh) | 一种数据筛选方法、装置、电子设备和存储介质 | |
| CN113627542A (zh) | 一种事件信息处理方法、服务器及存储介质 | |
| CN113691525A (zh) | 一种流量数据处理方法、装置、设备及存储介质 |
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 |