[發(fā)明專(zhuān)利]視頻分類(lèi)方法、裝置、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110267539.3
• 申請(qǐng)日: 2021-03-12
• 公開(kāi)（公告）號(hào): CN112784111A
• 公開(kāi)（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 陳凱兵;劉國(guó)翌
• 申請(qǐng)（專(zhuān)利權(quán)）人: 有半島（北京）信息科技有限公司
• 主分類(lèi)號(hào): G06F16/75
• 分類(lèi)號(hào): G06F16/75
• 代理公司: 北京博遵律師事務(wù)所 11761
• 代理人: 馬佑平

1.一種視頻分類(lèi)方法，所述方法包括：

獲取目標(biāo)視頻和目標(biāo)類(lèi)別標(biāo)簽；

通過(guò)預(yù)設(shè)視頻模型提取所述目標(biāo)視頻的視頻內(nèi)容特征，得到對(duì)應(yīng)于所述目標(biāo)視頻的視頻特征向量；

通過(guò)預(yù)設(shè)文本模型提取所述目標(biāo)類(lèi)別標(biāo)簽的文本內(nèi)容特征，得到對(duì)應(yīng)于所述目標(biāo)類(lèi)別標(biāo)簽的文本特征向量；

根據(jù)所述視頻特征向量和所述文本特征向量，獲得所述目標(biāo)視頻與所述目標(biāo)類(lèi)別標(biāo)簽間的相關(guān)性分?jǐn)?shù)；

在所述相關(guān)性分?jǐn)?shù)大于或等于預(yù)設(shè)的分?jǐn)?shù)閾值的情況下，確定所述目標(biāo)視頻的類(lèi)別標(biāo)簽為所述目標(biāo)類(lèi)別標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述目標(biāo)類(lèi)別標(biāo)簽為所述目標(biāo)視頻所在視頻集合的類(lèi)別標(biāo)簽，所述方法還包括：

在所述相關(guān)性分?jǐn)?shù)小于所述分?jǐn)?shù)閾值的情況下，從所述視頻集合中濾除所述目標(biāo)視頻。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述方法在所述通過(guò)預(yù)設(shè)視頻模型提取所述目標(biāo)視頻的視頻內(nèi)容特征，及所述通過(guò)預(yù)設(shè)文本模型提取所述目標(biāo)類(lèi)別標(biāo)簽的文本內(nèi)容特征之前，還包括：

獲取訓(xùn)練樣本集；其中，所述訓(xùn)練樣本集中每一訓(xùn)練樣本包括視頻樣本及所述視頻樣本的樣本類(lèi)別標(biāo)簽；

通過(guò)所述訓(xùn)練樣本集，以設(shè)定的收斂條件同步訓(xùn)練基礎(chǔ)視頻模型和基礎(chǔ)文本模型，得到訓(xùn)練后的基礎(chǔ)視頻模型作為所述預(yù)設(shè)視頻模型及得到訓(xùn)練后的基礎(chǔ)文本模型作為所述預(yù)設(shè)文本模型；

其中，所述收斂條件包括：通過(guò)所述基礎(chǔ)視頻模型提取的所述視頻樣本的視頻內(nèi)容特征和通過(guò)所述基礎(chǔ)文本模型提取的所述樣本類(lèi)別標(biāo)簽的文本內(nèi)容特征均具有對(duì)應(yīng)于所述樣本類(lèi)別標(biāo)簽的分類(lèi)結(jié)果。

4.根據(jù)權(quán)利要求3所述的方法，其中，所述通過(guò)所述訓(xùn)練樣本集，以設(shè)定的收斂條件同步訓(xùn)練基礎(chǔ)視頻模型和基礎(chǔ)文本模型，得到訓(xùn)練后的基礎(chǔ)視頻模型作為所述預(yù)設(shè)視頻模型及得到訓(xùn)練后的基礎(chǔ)文本模型作為所述預(yù)設(shè)文本模型，包括：

通過(guò)所述訓(xùn)練樣本集，固定所述基礎(chǔ)視頻模型的模型參數(shù)，以所述收斂條件訓(xùn)練所述基礎(chǔ)文本模型，得到第一階段訓(xùn)練后的基礎(chǔ)文本模型；

通過(guò)所述訓(xùn)練樣本集，以所述收斂條件訓(xùn)練所述基礎(chǔ)視頻模型并接續(xù)所述第一階段訓(xùn)練后的基礎(chǔ)文本模型繼續(xù)訓(xùn)練所述基礎(chǔ)文本模型，得到所述預(yù)設(shè)視頻模型和所述預(yù)設(shè)文本模型。

5.根據(jù)權(quán)利要求4所述的方法，其中，所述訓(xùn)練樣本集包括第一樣本集和第二樣本集，所述通過(guò)所述訓(xùn)練樣本集，固定所述基礎(chǔ)視頻模型的模型參數(shù)，以所述收斂條件訓(xùn)練所述基礎(chǔ)文本模型，得到第一階段訓(xùn)練后的基礎(chǔ)文本模型，包括：

通過(guò)所述第一樣本集，固定所述基礎(chǔ)視頻模型的模型參數(shù)，以所述收斂條件訓(xùn)練所述基礎(chǔ)文本模型，得到前期訓(xùn)練后的基礎(chǔ)文本模型；

通過(guò)所述第二樣本集，固定所述基礎(chǔ)視頻模型的模型參數(shù)，接續(xù)所述前期訓(xùn)練后的基礎(chǔ)文本模型繼續(xù)訓(xùn)練所述基礎(chǔ)文本模型，得到所述第一階段訓(xùn)練后的基礎(chǔ)文本模型。

6.根據(jù)權(quán)利要求3所述的方法，其中，所述通過(guò)所述訓(xùn)練樣本集，以設(shè)定的收斂條件同步訓(xùn)練基礎(chǔ)視頻模型和基礎(chǔ)文本模型中的每一步訓(xùn)練，包括：

通過(guò)對(duì)應(yīng)當(dāng)前步的基礎(chǔ)視頻模型提取所述視頻樣本的視頻內(nèi)容特征，得到對(duì)應(yīng)于視頻樣本的第一樣本特征向量；

通過(guò)對(duì)應(yīng)當(dāng)前步的基礎(chǔ)文本模型提取所述樣本類(lèi)別標(biāo)簽的文本內(nèi)容特征，得到對(duì)應(yīng)于所述樣本類(lèi)別標(biāo)簽的第二樣本特征向量；

通過(guò)共享分類(lèi)參數(shù)的多分類(lèi)器分別對(duì)所述第一樣本特征向量和所述第二樣本特征向量進(jìn)行分類(lèi)，得到對(duì)應(yīng)于所述第一樣本特征向量的第一分類(lèi)結(jié)果和對(duì)應(yīng)于所述第二樣本特征向量的第二分類(lèi)結(jié)果；

以所述收斂條件訓(xùn)練所述基礎(chǔ)視頻模型和所述基礎(chǔ)文本模型。

7.根據(jù)權(quán)利要求6所述的方法，其中，所述多分類(lèi)器對(duì)應(yīng)的類(lèi)別標(biāo)簽的種類(lèi)與所述訓(xùn)練樣本集包含的樣本類(lèi)別標(biāo)簽的種類(lèi)相同。