用于生成分类信息的方法、装置、电子设备和介质制造方法及图纸

本公开的实施例公开了用于生成分类信息的方法、装置、电子设备和介质。该方法的一具体实施方式包括：对目标视频进行抽帧，得到至少两个采样帧；对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，得到采样帧特征集合；将上述采样帧特征集合输入至预先训练的循环神经网络，生成采样特征，上述采样特征中包括时序信息；对上述采样特征进行分类，生成分类信息。该实施方式通过对目标视频进行抽帧、特征提取、学习采样帧时序上的特征，生成了分类信息，从而，实现了对目标视频的分析，为视频的分类、过滤、利用提供了便利。

【技术实现步骤摘要】
用于生成分类信息的方法、装置、电子设备和介质
本公开的实施例涉及计算机
，具体涉及用于生成分类信息的方法、装置、电子设备和介质。
技术介绍
随着视频技术的飞速发展，各式各样的视频不断涌现。人们渐渐开始利用PPT视频来了解需要的信息。现有的轮播视频传达信息单一乏味，轮播视频中的图像大多存在无关联性，严重影响用户体验。所以，为了有效处理视频，为生成符合用户需求的轮播视频，需要一种针对视频的高效分类方法。
技术实现思路
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了用于生成分类信息的方法、装置、电子设备和介质，来解决以上
技术介绍
部分提到的技术问题。第一方面，本公开的一些实施例提供了一种用于生成分类信息的方法，该方法包括：对目标视频进行抽帧，得到至少两个采样帧；对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，得到采样帧特征集合；将上述采样帧特征集合输入至预先训练的循环神经网络，生成采样特征，上述采样特征中包括时序信息；对上述采样特征进行分类，生成分类信息。第二方面，本公开的一些实施例提供了一种用于生成分类信息的装置，装置包括：抽帧单元，被配置成对目标视频进行抽帧，得到至少两个采样帧；第一生成单元，被配置成对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，得到采样帧特征集合；第二生成单元，被配置成将上述采样帧特征集合输入至预先训练的循环神经网络，生成采样特征，上述采样特征中包括时序信息；第三生成单元，被配置成对上述采样特征进行分类，生成分类信息。第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一、二方面中任一的方法。第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一、二方面中任一的方法。本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对目标视频进行抽帧，得到采样帧，进而可以得到采样帧特征集合。通过将采样帧特征集合输入预先训练的循环神经网络，利用该网络学习采样帧的时序上的特征来生成采样特征。再对所得到的采样特征进行分类，生成分类信息，实现了对视频的分析。从而，有利于对视频的分类、过滤。为用户制作轮播视频提供了便利，侧面提高了用户体验。附图说明结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。图1是根据本公开的一些实施例的用于生成分类信息的方法的一个应用场景的示意图；图2是根据本公开的用于生成分类信息的方法的一些实施例的流程图；图3是根据本公开的一些实施例的用于生成分类信息的方法的循环神经网络的网络结构示意图；图4是根据本公开的用于生成分类信息的装置的一些实施例的结构示意图；图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。下面将参考附图并结合实施例来详细说明本公开。图1是本公开的一些实施例的用于生成分类信息的方法的一个应用场景的示意图。如图1所示，作为示例，计算设备101可以对待截取视频102进行截取，得到预设时长的视频103作为目标视频。再对目标视频103进行抽帧，得到采样帧104和采样帧105。计算设备101可以对采样帧104进行特征提取得到采样帧104的特征106。对采样帧105进行特征提取得到采样帧105的特征107。将特征106和特征107输入至预先训练的循环神经网络108，可以得到采样特征109。最后，对采样特征109进行分类，生成分类信息110。需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。继续参考图2，示出了根据本公开的用于生成分类信息的方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该用于生成分类信息的方法，包括以下步骤：步骤201，对目标视频进行抽帧，得到至少两个采样帧。在一些实施例中，用于生成分类信息的方法的执行主体(如图1所示的计算设备)可以对目标视频进行抽帧，得到至少两个采样帧。在一些实施例的一些可选的实现方式中，上述目标视频是从待截取视频中截取出来的、预设时长的视频。作为示例，上述执行主体可以先确定待截取视频的开始截至时刻和结束截至时刻。然后，对上述开始截至时刻和上述结束截至时刻之间的视频部分截取出来作为上述目标视频。作为又一示例，上述执行主体可以从上述待截取视频中随机截取出预设时长的视频作为上述目标视频。上述待截取视频可以是用于生成轮播视频的素材视频。本可选的实现方式，通过对待截取视频进行截取，得到预设时长的视频，可以避免因视频时长过长而造成任务量增加的情况。步骤202，对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，得到采样帧特征集合。在一些实施例中，上述执行主体可以利用预先训练的残差网络(ResidualNeuralNetwork，ResNet)对上述步骤202得到的每个采样帧进行特征提取，得到上述采样帧的特征。其中，上述残差网络可以是ResNet-50网络模型。...

【技术保护点】
1.一种用于生成分类信息的方法，包括：/n对目标视频进行抽帧，得到至少两个采样帧；/n对所述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，得到采样帧特征集合；/n将所述采样帧特征集合输入至预先训练的循环神经网络，生成采样特征，所述采样特征中包括时序信息；/n对所述采样特征进行分类，生成分类信息。/n

【技术特征摘要】
1.一种用于生成分类信息的方法，包括：
对目标视频进行抽帧，得到至少两个采样帧；
对所述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，得到采样帧特征集合；
将所述采样帧特征集合输入至预先训练的循环神经网络，生成采样特征，所述采样特征中包括时序信息；
对所述采样特征进行分类，生成分类信息。


2.根据权利要求1所述的方法，其中，所述对所述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征，包括：
将所述采样帧输入至预先训练的特征提取模型，得到采样帧特征。


3.根据权利要求1所述的方法，其中，所述预先训练的循环神经网络采用至少一个输入单个输出的网络结构。


4.根据权利要1所述的方法，其中，所述对所得到的采样特征进行分类，生成分类信息，包括：
利用所述循环神经网络和分类函数，对所得到的采样特征进行分类，得到分类信息。


5.根据权利要1-4之一所述的方法，其中，所...

【专利技术属性】
技术研发人员：孙佳，袁泽寰，王长虎，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11