本发明公开了视频动作内容理解方法、装置、设备及介质，方法包括：获取预处理后视频数据；获取与视频动作内容相关的提问信息，基于ActionCLIP模型对预处理后视频数据和提问信息进行图像特征和文本特征提取，并基于相似度匹配策略对图像和文本特...

本发明公开了视频静态场景的内容理解方法、装置、设备及介质，方法包括：获取视频数据；基于CLIP微调模型对视频数据进行分类处理，输出得到场景内容最大概率结果；基于Video‑LLaMA预训练模型中的视觉编码器对视频数据进行特征提取，得到视...