视频封面确定模型的生成方法及装置、视频封面确定方法及装置制造方法及图纸

本公开关于一种视频封面确定模型的生成方法及装置、视频封面确定方法及装置。包括：获取第一目标视频集；根据第一目标视频，获取正样本和负样本；根据正样本和负样本，对预设的初始视频封面确定模型进行训练，得到第一目标图像为封面的预测分数和用于衡量正样本与负样本参与训练权重的评价分数；将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型。整个过程中，无需人工介入，更不涉及相关人员的专业程度，节省大量人力物力，并且得到的视频封面确定模型可以适用于不同的视频内容，具有较强的泛化能力。

Generation method and device of video cover determination model, determination method and device of video cover

【技术实现步骤摘要】
视频封面确定模型的生成方法及装置、视频封面确定方法及装置
本公开涉及视频处理
，尤其涉及一种视频封面确定模型的生成方法及装置、视频封面确定方法及装置。
技术介绍
随着现代信息传输技术的快速进步和智能手机等视频拍摄设备的普及，人们通过创作视频来分享生活的热情得到了前所未有的发展，短视频逐渐成为了人们日常接受信息的主要载体之一。视频封面作为用户最先看到的信息，极大程度地决定了相关视频是否会被用户观看，因此，选择高质量的视频封面有助于提升用户体验，帮助视频分享和推广。传统技术中，通常是通过深度学习的方法，对提取到的视频帧的特征进行美学程度和相关性检测，从而选取视频封面。然而，传统技术中，采用深度的方法需要人工对视频帧的特征进行设计和标注，消耗的人力物力都比较大，并且高度依赖对视频帧的特征进行设计和标注的人员的专业程度。
技术实现思路
本公开提供一种视频封面确定模型的生成方法及装置、视频封面确定方法及装置，以至少解决相关技术中高度依赖人工进行视频封面确定的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种视频封面确定模型的生成方法，包括：获取第一目标视频集；其中，所述第一目标视频集包括至少一个第一目标视频；根据所述第一目标视频，获取正样本和负样本；其中，所述正样本为所述第一目标视频对应的初始视频封面，所述负样本为图像特征满足第一预设条件的图像帧；根据所述正样本和所述负样本，对预设的初始视频封面确定模型进行训练，并得到所述第一目标图像为封面的预测分数和用于衡量所述正样本与所述负样本参与训练权重的评价分数；将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型。在一示例性实施例中，所述根据所述第一目标视频，获取正样本和负样本，包括：对于每一所述第一目标视频，获取所述第一目标视频的初始视频封面，并将所述初始视频封面确定为正样本；按照第一预设规则，从所述第一目标视频中抽取至少一个图像帧，得到第一目标图像集；根据所述第一目标图像的图像特征，对所述第一目标图像的属性进行检测，得到图像属性检测结果；根据每一所述图像属性检测结果、每一所述第一目标图像的图像特征与所述正样本的图像特征之间的距离，得到所述负样本。在一示例性实施例中，所述根据每一所述图像属性检测结果、每一所述第一目标图像的图像特征与所述正样本的图像特征之间的距离，得到所述负样本，包括：将所述图像属性检测结果为非正常图像的第一目标图像，确定为第一负样本；将所述第一目标图像的图像特征与所述正样本的图像特征之间的距离最大的第一目标图像，确定为第二负样本；将所述第一负样本和所述第二负样本确定为所述负样本。在一示例性实施例中，所述初始视频封面确定模型包括初始得分网络模型和初始评价网络模型；所述根据所述正样本和所述负样本，对预设的初始视频封面确定模型进行训练，并得到所述第一目标图像为封面的预测分数和用于衡量所述正样本与所述负样本参与训练权重的评价分数，包括：将每一所述第一目标图像的图像特征输入所述初始得分网络模型，得到所述第一目标图像为封面的预测分数；将所述正样本的图像特征和所述负样本的图像特征输入所述初始评价网络模型，得到用于衡量所述正样本与所述负样本参与训练权重的评价分数。在一示例性实施例中，所述将所述正样本的图像特征和所述负样本的图像特征输入所述初始评价网络模型，得到用于衡量所述正样本与所述负样本参与训练权重的评价分数，包括：将所述正样本和所述负样本进行任意组合，得到正负样本对；将所述正负样本对中的正样本的图像特征和负样本的图像特征输入所述初始评价网络，得到评价分数。在一示例性实施例中，所述将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型，包括：根据所述预测分数、所述正样本和所述负样本，得到第一损失函数值，以及根据所述评价分数、所述正样本和所述负样本，得到第二损失函数值；根据所述第一损失函数值对所述初始得分网络模型参数进行迭代更新，直到所述第一损失函数值稳定在第一预设阈值邻域内，则将与所述第一损失函数值对应的初始得分网络模型确定为得分网络模型；根据所述第二损失函数值对所述初始评价网络模型参数进行迭代更新，直到所述第二损失函数值稳定在第二预设阈值邻域内，则将与所述第二损失函数值对应的初始评价网络模型确定为评价网络模型；将所述得分网络模型和所述评价网络模型对应的初始视频封面确定模型，确定为所述视频封面确定模型。根据本公开实施例的第二方面，提供一种视频封面确定方法，包括：获取第二目标视频；按照第二预设规则，从所述第二目标视频中抽取图像帧，得到第二目标图像集；将每一所述第二目标图像的图像特征输入所述视频封面确定模型，得到与所述第二目标视频对应的视频封面；其中，所述视频封面确定模型为上述第一方面所述的视频封面确定模型。根据本公开实施例的第三方面，提供一种视频封面确定模型的生成装置，包括：第一视频集获取单元，被配置为执行获取第一目标视频集；其中，所述第一目标视频集包括至少一个第一目标视频；样本确定单元，被配置为执行根据所述第一目标视频，获取正样本和负样本；其中，所述正样本为所述第一目标视频对应的初始视频封面，所述负样本为图像特征满足第一预设条件的图像帧；模型训练单元，被配置为执行根据所述正样本和所述负样本，对预设的初始视频封面确定模型进行训练，并得到所述第一目标图像为封面的预测分数和用于衡量所述正样本与所述负样本参与训练权重的评价分数；模型生成单元，被配置为执行将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型。在一示例性实施例中，所述样本确定单元还用于执行：对于每一所述第一目标视频，获取所述第一目标视频的初始视频封面，并将所述初始视频封面确定为正样本；按照第一预设规则，从所述第一目标视频中抽取至少一个图像帧，得到第一目标图像集；根据所述第一目标图像的图像特征，对所述第一目标图像的属性进行检测，得到图像属性检测结果；根据每一所述图像属性检测结果、每一所述第一目标图像的图像特征与所述正样本的图像特征之间的距离，得到所述负样本。在一示例性实施例中，所述样本确定单元还用于执行：将所述图像属性检测结果为非正常图像的第一目标图像，确定为第一负样本；将所述第一目标图像的图像特征与所述正样本的图像特征之间的距离最大的第一目标图像，确定为第二负样本；将所述第一负样本和所述第二负样本确定为所述负样本。在一示例性实施例中，所述模型训练单元还用于执行：将每一所述第一目标图像的图像特征输入所述初始得分网络模型，得到所述第一目标图像为封面的预测分数；将所述正样本本文档来自技高网...

【技术保护点】
1.一种视频封面确定模型的生成方法，其特征在于，包括：/n获取第一目标视频集；其中，所述第一目标视频集包括至少一个第一目标视频；/n根据所述第一目标视频，获取正样本和负样本；其中，所述正样本为所述第一目标视频对应的初始视频封面，所述负样本为图像特征满足第一预设条件的图像帧；/n根据所述正样本和所述负样本，对预设的初始视频封面确定模型进行训练，并得到所述第一目标图像为封面的预测分数和用于衡量所述正样本与所述负样本参与训练权重的评价分数；/n将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型。/n

【技术特征摘要】
1.一种视频封面确定模型的生成方法，其特征在于，包括：
获取第一目标视频集；其中，所述第一目标视频集包括至少一个第一目标视频；
根据所述第一目标视频，获取正样本和负样本；其中，所述正样本为所述第一目标视频对应的初始视频封面，所述负样本为图像特征满足第一预设条件的图像帧；
根据所述正样本和所述负样本，对预设的初始视频封面确定模型进行训练，并得到所述第一目标图像为封面的预测分数和用于衡量所述正样本与所述负样本参与训练权重的评价分数；
将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型。


2.根据权利要求1所述的视频封面确定模型的生成方法，其特征在于，所述根据所述第一目标视频，获取正样本和负样本，包括：
对于每一所述第一目标视频，获取所述第一目标视频的初始视频封面，并将所述初始视频封面确定为正样本；
按照第一预设规则，从所述第一目标视频中抽取至少一个图像帧，得到第一目标图像集；
根据所述第一目标图像的图像特征，对所述第一目标图像的属性进行检测，得到图像属性检测结果；
根据每一所述图像属性检测结果、每一所述第一目标图像的图像特征与所述正样本的图像特征之间的距离，得到所述负样本。


3.根据权利要求2所述的视频封面确定模型的生成方法，其特征在于，所述根据每一所述图像属性检测结果、每一所述第一目标图像的图像特征与所述正样本的图像特征之间的距离，得到所述负样本，包括：
将所述图像属性检测结果为非正常图像的第一目标图像，确定为第一负样本；
将所述第一目标图像的图像特征与所述正样本的图像特征之间的距离最大的第一目标图像，确定为第二负样本；
将所述第一负样本和所述第二负样本确定为所述负样本。


4.根据权利要求1所述的视频封面确定模型的生成方法，其特征在于，所述初始视频封面确定模型包括初始得分网络模型和初始评价网络模型；
所述根据所述正样本和所述负样本，对预设的初始视频封面确定模型进行训练，并得到所述第一目标图像为封面的预测分数和用于衡量所述正样本与所述负样本参与训练权重的评价分数，包括：
将每一所述第一目标图像的图像特征输入所述初始得分网络模型，得到所述第一目标图像为封面的预测分数；
将所述正样本的图像特征和所述负样本的图像特征输入所述初始评价网络模型，得到用于衡量所述正样本与所述负样本参与训练权重的评价分数。


5.根据权利要求1所述的视频封面确定模型的生成方法，其特征在于，所述将满足第二预设条件的预测分数且满足第三预设条件的评价分数，对应的初始视频封面确定模型，确定为视频封面确定模型，包括：
根据所述预测分数、所述正样本和所述负样本，得到第一损失函数值，以及根据所述评价分数、所述正样本和所述负样本，得到第...

【专利技术属性】
技术研发人员：刘畅，李岩，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11