视频分类方法、装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开一种视频分类方法、装置、存储介质及电子设备，该方法包括获取视频文件的第一特征向量；将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；所述权重值向量与所述第一特征向量一一相乘，得到第二特征向量；根据所述第二特征向量对所述视频文件进行分类。可以解决视频分类噪声过多的问题。

Video classification method, device, storage medium and electronic equipment

The invention discloses a video classification method, a device, a storage medium and an electronic device. The method includes obtaining a first eigenvector of a video file, learning the first eigenvector input algorithm model and obtaining a weight value vector corresponding to each feature, and the weight value is multiplied with the first feature vector one by one. The second feature vectors are obtained, and the video files are classified according to the second eigenvectors. It can solve the problem of too much noise in video classification.

【技术实现步骤摘要】
视频分类方法、装置、存储介质及电子设备
本专利技术涉及视频领域，更具体的说，涉及一种视频分类方法、装置、存储介质及电子设备。
技术介绍
视频文件相对图片噪声较多。具体包括，一个比如说标签为狗的视频中可能匹配标签的内容只有其中的一段视频，其他部分都是与标签无关的信息；还包括在相关的视频里，每帧的图像也包含很多与标签不匹配的物体，只有部分物体匹配标签内容。现有的视频分类方法对噪声处理不好。
技术实现思路
本专利技术所要解决的技术问题是提供一种视频分类方法、装置、存储介质及电子设备，能够减小噪声的影响。本专利技术的目的是通过以下技术方案来实现的：第一方面，本申请实施例提供一种视频分类方法，包括：获取视频文件的第一特征向量；将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；所述权重值向量与所述第一特征向量一一相乘，得到第二特征向量；根据所述第二特征向量对所述视频文件进行分类。第二方面，本申请实施例提供一种视频分类装置，包括：第一获取单元，用于获取视频文件的第一特征向量；权重值向量获取单元，用于将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；第二获取单元，用于所述权重值向量与所述第一特征向量一一相乘，得到第二特征向量；分类单元，用于根据所述第二特征向量对所述视频文件进行分类。第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的视频分类方法。第四方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行上述的视频分类方法。本申请实施例提供的视频分类方法、装置、存储介质及电子设备，通过获取视频文件的第一特征向量；将第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；权重值向量与第一特征向量一一相乘，得到第二特征向量；根据第二特征向量对视频文件进行分类。可以解决视频分类噪声过多的问题。例如当得到一个视频的第一特征向量时，并不是每个特征都是一样重要的。通过算法模型学习训练，得到每个特征的权重，提取对于分类有用的特征，与此同时抑制视频分类噪声过多且不太重要的特征，从而得到更好的分类效果。附图说明需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的视频分类方法的第一种流程示意图；图2为本申请实施例提供的视频分类方法的第二种流程示意图；图3为本申请实施例提供的视频分类方法的第三种流程示意图；图4为本申请实施例提供的视频分类方法的框图示意图；图5为本申请实施例提供的视频分类方法的第四种流程示意图；图6为本申请实施例提供的视频分类方法的第五种流程示意图；图7为本申请实施例提供的视频分类方法的另一框图示意图；图8为本申请实施例提供的视频分类装置的第一种结构示意图；图9为本申请实施例提供的视频分类装置的第二种结构示意图；图10为本申请实施例提供的视频分类装置的第三种结构示意图。具体实施方式请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。本文所使用的术语“单元”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、单元、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。本申请中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本申请实施例提供一种视频分类方法，该视频分类方法的执行主体可以是本申请实施例提供的视频分类装置，或者集成了该视频分类装置的电子设备，其中该视频分类装置可以采用硬件或者软件的方式实现。本申请实施例将从视频分类装置的角度进行描述，该视频分类装置具体可以集成在电子设备中。该视频分类包括：获取视频文件的第一特征向量；将第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；权重值向量与第一特征向量一一相乘，得到第二特征向量；根据第二特征向量对视频文件进行分类。其中电子设备包括智能手机、平板电脑、掌上电脑、电脑、服务器、云服务器等设备。请参阅图1，图1为本申请实施例提供的视频分类方法的第一种流程示意图。本申请实施例提供的视频分类方法，具体流程可以如下：步骤101，获取视频文件的第一特征向量。视频文件可以为mjpeg、avi、rmvb、3gp等格式的视频文件。在此不对视频文件的格式进行限定。从视频文件中提前多个特征，并将该多个特征形成第一特征向量。具体的，特征提取可以包括图像特征的提取和音频特征的提取。步骤102，将第一特征向量输入算法模型学习，得到对应每个特征的权重值向量。将第一特征向量输入算法模型中学习训练，算法模型可以为卷积神经网络算模型，从而得到对应每个特征的权重值形成权重值向量。步骤103，权重值向量与第一特征向量一一相乘，得到第二特征向量。将权重值向量与第一特征向量一一相乘，即第一特征向量中的每个特征与其对应的权重值相乘，最终得到第二特征向量。步骤104，根据第二特征向量对视频文件进行分类。获取第二特征向量后，根据该第二特征向量对视频文件进行分类。具体的，可以将第二特征向量输入算法模型，算法模型根据第二特征向量对视频分类。请参阅图2，图2为本申请实施例提供的视频分类方法的第二种流程示意图。本申请实施例中，将第一特征向量输入算法模型学习，得到对应每个特征的权重值向量的步骤，具体流程可以如下：步骤1021，将第一特征向量输入算法模型学习，根据特征重要性将第一特征向量中的分成两类或多类特征。将第一特征向量中的特征根据重要性分成两类或多类特征，例如分成重要和不重要两类，又例如分成重要、一般、不重要三类，当然也可以分成更多类。步骤102本文档来自技高网...

【技术保护点】
一种视频分类方法，其特征在于，包括：获取视频文件的第一特征向量；将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；所述权重值向量与所述第一特征向量一一相乘，得到第二特征向量；根据所述第二特征向量对所述视频文件进行分类。

【技术特征摘要】
1.一种视频分类方法，其特征在于，包括：获取视频文件的第一特征向量；将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量；所述权重值向量与所述第一特征向量一一相乘，得到第二特征向量；根据所述第二特征向量对所述视频文件进行分类。2.如权利要求1所述的视频分类方法，其特征在于，所述将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量的步骤，包括：将所述第一特征向量输入算法模型学习，根据特征重要性将第一特征向量中的分成两类或多类特征；将所述两类或多类特征中的各个特征设置不同的权重，得到权重值向量。3.如权利要求1所述的视频分类方法，其特征在于，所述将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量的步骤，包括：将所述第一特征向量输入第一全连接层进行压缩得到第一中间数据；将所述第一中间数据输入第二全连接层进行扩张得到与所述第一特征向量长度相同的第二中间数据；根据预设函数将所述第二中间数据转换得到权重值向量，所述权重值向量中的权重值在0-1之间。4.如权利要求1所述的视频分类方法，其特征在于，所述将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量的步骤，包括：将所述第一特征向量输入第一全连接层进行压缩得到第一中间数据；将所述第一中间数据输入第二全连接层进行扩张得到第二中间数据；将所述第二中间数据输入第三全连接层得到与所述特征向量长度相同的第三中间数据；根据预设函数将所述第三中间数据转换得到权重值向量，所述权重值向量中的权重值在0-1之间。5.如权利要求1所述的视频分类方法，其特征在于，所述将所述第一特征向量输入算法模型学习，得到对应每个特征的权重值向量的步骤，包括：将所述第一特征向量输入第一全连接层进行压缩得到第一中间数据；将所述第一中间数据输入第二全连接层进行扩张得到第二中间数据；将所述第二中间数据输入第四全连接层进行压缩得到第四中间数据；将所述第三中间数据...

【专利技术属性】
技术研发人员：包怡欣，彭垚，绍杰，赵之健，
申请(专利权)人：上海七牛信息技术有限公司，
类型：发明
国别省市：上海,31