[發明專利]基于深度神經網絡的媒體信息分類方法及裝置

有效

• 申請號: 201611224895.2
• 申請日: 2016-12-27
• 公開（公告）號: CN106779073B
• 公開（公告）日: 2019-05-31
• 發明（設計）人: 張仙偉;左玲;梁錦錦;王宏;侯珂
• 申請（專利權）人: 西安石油大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 西安毅聯專利代理有限公司 61225
• 代理人: 楊燕珠

1.一種基于深度神經網絡的廣告媒體信息分類方法，其特征在于，所述方法包括：

獲取待分類的媒體信息，所述媒體信息為視頻；

從所述視頻中選取目標幀圖像，組成目標圖像集；

將所述目標圖像集輸入媒體信息分類深度神經網絡模型；

根據所述媒體信息分類深度神經網絡模型的輸出結果，確定所述媒體信息的關系類型，包括：該模型對目標圖像集中的幀圖像進行分類，統計數量最多的分類結果作為視頻的分類結果；

其中，選取目標幀圖像包括：選擇權重參數，所述權重參數為體現視頻分類的特征參數，所述權重參數包括人體特征占比、相機運動方向、相機搖擺動態、相機焦距及字符顯示，并為每個權重參數配置權重系數得到權重模型，以計算每個幀圖像的權重值，選取權重值大于某一標準值或者權重排名前N的幀圖像作為目標幀圖像，

或者，

所述選取目標幀圖像包括：對所有幀圖像進行聚類，得到多個幀聚類，選取離所述幀聚類中心最近的幀圖像作為目標幀圖像，包括：對于幀圖像集 X={x1,x2,…,xn}，n為幀圖像個數，設擬劃分為 k 個聚類V={v1,v2,…,vk }，先隨機選取k個對象作為初始的聚類中心，然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心；聚類中心以及分配給它們的對象就代表一個聚類，一旦全部對象都被分配了，每個聚類的聚類中心會根據聚類中現有的對象被重新計算，這個過程將不斷重復，直至聚類中心不再變化，算法終止，聚類得到k個差異比較大的幀類，進而將每個幀類中離聚類中心最近的一個或多個幀圖像作為目標幀圖像。

2.根據權利要求1所述的方法，其特征在于，還包括預先訓練媒體信息分類深度神經網絡，包括：

獲取圖像集樣本數據，所述圖像集樣本數據標記有分類類型；

采用隨機梯度下降法最小化損失函數；

通過圖像集樣本數據及完成最小化的損失函數，對所述媒體信息分類深度神經網絡進行訓練，得到模型。

3.根據權利要求2所述的方法，其特征在于，所述采用隨機梯度下降法最小化損失函數包括：

根據神經網絡的所有權重和損失函數，采用反向傳播法得到損失函數的梯度；

根據所述梯度，采用隨機梯度下降法，更新神經網絡的權重；

將更新的權重進行預設次數的迭代，以最小化損失函數。

4.一種基于深度神經網絡的廣告媒體信息分類裝置，其特征在于，所述裝置包括：

信息獲取模塊，用于獲取待分類的媒體信息，所述媒體信息為視頻；

圖像集模塊，用于從所述視頻中選取目標幀圖像，組成目標圖像集；

輸入模塊，用于將所述目標圖像集輸入媒體信息分類深度神經網絡模型；

分類模塊，用于根據所述媒體信息分類深度神經網絡模型的輸出結果，確定所述媒體信息的關系類型，包括：該模型對目標圖像集中的幀圖像進行分類，統計數量最多的分類結果作為視頻的分類結果；

其中，所述圖像集模塊包括權重子模塊，用于選擇權重參數，所述權重參數為體現視頻分類的特征參數，所述權重參數包括人體特征占比、相機運動方向、相機搖擺動態、相機焦距及字符顯示，并為每個權重參數配置權重系數得到權重模型，以計算每個幀圖像的權重值，選取權重值大于某一標準值或者權重排名前N的幀圖像作為目標幀圖像，

或者，

所述圖像集模塊包括聚類模塊，用于對所有幀圖像進行聚類，得到多個幀聚類，選取離所述幀聚類中心最近的幀圖像作為目標幀圖像，包括：對于幀圖像集 X={x1,x2,…,xn}，n為幀圖像個數，設擬劃分為 k 個聚類V={v1,v2,…,vk }，先隨機選取k對象作為初始的聚類中心，然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心；聚類中心以及分配給它們的對象就代表一個聚類，一旦全部對象都被分配了，每個聚類的聚類中心會根據聚類中現有的對象被重新計算，這個過程將不斷重復，直至聚類中心不再變化，算法終止，聚類得到k個差異比較大的幀類，進而將每個幀類中離聚類中心最近的一個或多個幀圖像作為目標幀圖像。