视频分类模型训练方法、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模型训练方法、装置、存储介质及电子设备，该方法包括：将视频文件输入视频分类模型进行学习，得到特征向量；将所述特征向量分成多个子特征向量；从所述多个子特征向量中选取一个子特性向量作为目标子特征向量；将所述目标子特征向量输入所述视频分类模型进行训练，得到最终视频分类模型。截取了部分特征向量作为目标特征子向量输入视频分类模型用于训练，减少了输入数据、以及其转化的数据的大小，从而减少了训练参数，提高训练效率。

【技术实现步骤摘要】
视频分类模型训练方法、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，涉及一种视频分类模型训练方法、装置、存储介质及电子设备。
技术介绍
对视频文件分类时，需要提前对视频分类模型进行训练，得到优化后的视频分类模型。对视频分类模型训练时所需参数较多，直接使用传统算法效率极低，使得训练时间过长。
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模型训练方法、装置、存储介质及电子设备，能提提高训练效率，减少训练时间。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模型训练方法，包括：将视频文件输入视频分类模型进行学习，得到特征向量；将所述特征向量分成多个子特征向量；从所述多个子特征向量中选取一个子特性向量作为目标子特征向量；将所述目标子特征向量输入所述视频分类模型进行训练，得到最终视频分类模型。第二方面，本申请实施例提供一种视频分类模型训练装置，包括：第一获取单元，用于将视频文件输入视频分类模型进行学习，得到特征向量；划分单元，用于将所述特征向量分成多个子特征向量；选取单元，用于从所述多个子特征向量中选取一个子特性向量作为目标子特征向量；训练单元，用于将所述目标子特征向量输入所述视频分类模型进行训练，得到最终视频分类模型。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模型训练。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模型训练方法。本申请实施例提供的视频分类模型训练方法、装置、存储介质及电子设备，通过将视频文件输入视频分类模型进行学习，得到特征向量；将特征向量分成多个子特征向量；从多个子特征向量中选取一个子特性向量作为目标子特征向量；将目标子特征向量输入所述视频分类模型进行训练，得到最终视频分类模型。截取了部分特征向量作为目标特征子向量输入视频分类模型用于训练，减少了输入数据、以及其转化的数据的大小，从而减少了训练参数，提高训练效率。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模型训练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模型训练方法的框图示意图；图3为本申请实施例提供的视频分类模型训练方法的第二种流程示意图；图4为本申请实施例提供的视频分类模型训练方法的第三种流程示意图；图5为本申请实施例提供的视频分类模型训练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装置的结构示意图。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模型训练方法，该视频分类模型训练方法的执行主体可以是本申请实施例提供的视频分类模型训练装置，或者集成了该视频分类模型训练装置的电子设备，其中该视频分类模型训练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模型训练装置的角度进行描述，该视频分类模型训练装置具体可以集成在电子设备中。该视频分类模型训练方法包括：将视频文件输入视频分类模型进行学习，得到特征向量；将特征向量分成多个子特征向量；从多个子特征向量中选取一个子特性向量作为目标子特征向量；将目标子特征向量输入视频分类模型进行训练，得到最终视频分类模型。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和图2，图1为本申请实施例提供的视频分类模型训练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模型训练方法的框图示意图。本申请实施例提供的视频分类模型训练方法，具体流程可以如下：步骤101，将视频文件输入视频分类模型进行学习，得到特征向量。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。视频分类模型可以为卷积神经网络算法模型、循环神经网络算法模型等。视频分类模型还可以是SENet(Squeeze-and-ExcitationNetworks)算法模型。将视频文件输入视频分类模型中，视频分类模型根据该视频文件得到对应该视频文件分类信息的特性向量。如视频文件的场景特征、人物特征、物品特性、时间特征等等。步骤102，将特征向量分成多个子特征向量。在特性向量的一个维度上，将该特性向量分成多个特征向量。例如特征向量为2048*200，将特征向量分成4个512*200的多个子特征向量。步骤103，从多个子特征向量中选取一个子特性向量作为目标子特征向量。从多个子特征向量中任意选取一个子特征向量作为目标子特征向量。可以是第一个子特征向量也可以是最后一个子特征向量，也可以是中间的任意一个子特征向量。也可以是根据各个子特征向量中的数据来定，如获取各个特征的数据之和，取数据之和最大或最小或中间值的为目标子特征向量。还可以通过计算各个子特征向量的平方差，平方差最小的为目标子特征向量。步骤104，将目标子特征向量输入视频分类模型进行训练，得到最终视频分类模型。得到目标子特征向量后，将其输入视频分类模型进行训练，得到优化后的视频分类模型，优化视频分类模型中各个参数值。其中，具体的，视频分类模型可以包括NetVLad层，该NetVLad本文档来自技高网...

【技术保护点】
一种视频分类模型训练方法，其特征在于，包括：将视频文件输入视频分类模型进行学习，得到特征向量；将所述特征向量分成多个子特征向量；从所述多个子特征向量中选取一个子特性向量作为目标子特征向量；将所述目标子特征向量输入所述视频分类模型进行训练，得到最终视频分类模型。

【技术特征摘要】
1.一种视频分类模型训练方法，其特征在于，包括：将视频文件输入视频分类模型进行学习，得到特征向量；将所述特征向量分成多个子特征向量；从所述多个子特征向量中选取一个子特性向量作为目标子特征向量；将所述目标子特征向量输入所述视频分类模型进行训练，得到最终视频分类模型。2.如权利要求1所述的视频分类模型训练方法，其特征在于，所述分类模型包括前段部分和后段部分；将视频文件输入视频分类模型进行学习的步骤，包括：将视频文件输入视频分类模型的前段部分进行学习，得到特征向量；将所述目标子特征向量输入视频分类模型进行训练的步骤，包括：将所述目标子特征向量输入视频分类模型的后段部分进行训练。3.如权利要求1所述的视频分类模型训练方法，其特征在于，所述将所述特征向量分成多个子特征向量的步骤，包括；将所述特征向量按向量长度，分成多个向量长度相等且依次连接的多个子特征向量；所述从所述多个子特征向量中选取一个子特性向量作为目标子特征向量的步骤，包括：从所述多个子特征向量中，选取第一个或最后一个子特征向量作为目标子特征向量。4.如权利要求1所述的视频分类模型训练方法，其特征在于，将所述特征向量分成多个子特征向量的步骤，包括；将所述特征向量按向量长度，分成多个向量长度相等的且连续的多个特征向量段；将多个特征向量段中的至少两个特征向量段形成一个子特征向量，得到多个子特征向量，其中一个子特征向量包括第一个特征向量段和最后一个特征向量段；所述从所述多个子特征向量中选取一个子特性向量作为目标子特征向量的步骤，包括：选取包括第一个特征向量段和最后一...

【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