一种视频分类方法、装置及计算机可读存储介质制造方法及图纸

本申请提供了一种视频分类方法、装置及计算机可读存储介质，该视频分类方法包括：获取包括多个标记有分类标签的视频样本的原始训练样本集；从原始训练样本集内，选取视频样本组合以及对应的分类标签进行加权融合，得到增广训练样本集；将增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型；基于视频分类模型对待分类视频进行分类。通过本申请方案的实施，在模型训练阶段通过加权融合方式融合原始视频样本与分类标签，可以得到增广后的训练样本集，在保证训练样本集的规模和多样性的同时，有效降低了训练样本集构建的操作复杂度，并提升了训练样本集构建的可实现性。

【技术实现步骤摘要】
一种视频分类方法、装置及计算机可读存储介质
本申请涉及电子
，尤其涉及一种视频分类方法、装置及计算机可读存储介质。
技术介绍
作为计算机视觉领域的基础性任务，视频分类一直是业界的研究热点。随着高清视频设备等硬件器材的不断发展，基于视频分类技术的人工智能解决方案广泛应用在视频兴趣推荐、视频安防、智能家居等方面，应用场景极其广阔。在实际应用中，相较于针对单帧图片分类的图像分类模型，在对视频进行分类时，视频分类模型出于需要捕获多帧输入图片之间的相关性，而要求构建更大的模型结构，进而在模型训练过程中需要使用数量更为庞大的训练数据。然而，目前在构建训练数据集时，通常采用人工标注的方式实现，训练数据集构建的操作复杂度较高以及可实现性较差。
技术实现思路
本申请实施例提供了一种视频分类方法、装置及计算机可读存储介质，至少能够解决相关技术中采用人工标注的方式对视频分类模型所需要的训练数据进行类别标记，所导致的操作复杂度较高以及可实现性较差的问题。本申请实施例第一方面提供了一种视频分类方法，包括：r>获取包括多个标记本文档来自技高网...

【技术保护点】
1.一种视频分类方法，其特征在于，包括：/n获取包括多个标记有分类标签的视频样本的原始训练样本集；/n从所述原始训练样本集内，选取视频样本组合以及对应的所述分类标签进行加权融合，得到增广训练样本集；其中，所述增广训练样本集的样本规模大于所述原始训练样本集；/n将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型；/n基于所述视频分类模型对待分类视频进行分类。/n

【技术特征摘要】
1.一种视频分类方法，其特征在于，包括：
获取包括多个标记有分类标签的视频样本的原始训练样本集；
从所述原始训练样本集内，选取视频样本组合以及对应的所述分类标签进行加权融合，得到增广训练样本集；其中，所述增广训练样本集的样本规模大于所述原始训练样本集；
将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型；
基于所述视频分类模型对待分类视频进行分类。


2.根据权利要求1所述的视频分类方法，其特征在于，所述从所述原始训练样本集内，选取视频样本组合以及对应的所述分类标签进行加权融合，得到增广训练样本集包括：
从所述原始训练样本集内随机选取两个视频样本；
按照预设的加权融合公式对所述两个视频样本以及对应的所述分类标签进行加权融合，得到对应标记有分类标签的增广视频样本；所述加权融合公式表示为：



其中，x1、x2分别表示所述两个视频样本，y1、y2分别表示对应于所述两个视频样本的分类标签，x表示所述增广视频样本，y表示对应于所述增广视频样本的分类标签，β表示服从预设参数的beta分布；
基于所有所述增广视频样本，得到增广训练样本集。


3.根据权利要求1所述的视频分类方法，其特征在于，所述将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型包括：
将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到本次迭代训练实际输出的预测分类标签向量；
采用预设的损失函数，将对应于所述增广训练样本集的分类标签向量与所述预测分类标签向量进行比对；
在比对结果满足预设的模型收敛条件时，将所述本次迭代训练所得到的网络模型确定为训练完成的视频分类模型。


4.根据权利要求1所述的视频分类方法，其特征在于，所述将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型之后，还包括：
获取包括多个标记有分类标签的视频样本的测试样本集；
将所述测试样本集中的视频样本输入至所述视频分类模型，得到测试分类标签向量；
将所述测试分类标签向量与所述测试样本集所标记的分类标签向量进行相关度计算；
在...

【专利技术属性】
技术研发人员：尹康，吴宇斌，郭烽，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44