视频分类方法、装置和电子设备制造方法及图纸

本公开实施例公开了一种视频分类方法、装置、电子设备和计算机可读存储介质。其中该视频分类方法包括：获取待分类视频的多个视频帧；根据所述多个视频帧生成第一特征图像，其中所述第一特征图像中包括所述多个视频帧的特征；根据所述第一特征图像中的特征以及所述第一特征图像中的特征两两之间的相互关系生成分类特征向量；根据所述分类特征向量获取所述视频的类别。上述方法通过图像特征中两两之间的相互关系生成分类特征向量，使得用于分类的特征中带有更多信息，解决了对视频进行分类时的分类不准确的技术问题。

【技术实现步骤摘要】
视频分类方法、装置和电子设备
本公开涉及视频分类领域，尤其涉及一种视频分类方法、装置、电子设备及计算机可读存储介质。
技术介绍
随着近年来数据量的剧增，以及数据处理能力的提高，机器学习算法在数据分析领域发挥着越来越重要的作用，其中的深度学习是近年来最为热门的研究领域。深度学习是从传统神经网络演化而来的一种新的分类预测解决方案，本质上和传统的神经网络一样是一个用于分类或者预测的神经网络模型。不同的地方在于深度神经网络引入了很多改进，针对不同的应用场景提供了很多不同的特定的模型，使得深度神经网络和过去的神经网络相比分类效果更好，模型训练更容易，随着数据量的增大、服务器性能的提高，深度神经网络己经成为了如今图片、文本、视频、音频研究领域的主流解决方案。在相关研究中，视频进行分类，一般可以通过人工分类和模型进行分类，其中使用模型的分类方法、通常使用各种神经网络，但是有的神经网络会丢失时间和空间信息，导致前后帧差别很小的视频中的动作被分类错误，如插头的插入和拔出，如果没有时间信息，则无法准确识别到底是插入还是拔出。因此需要一种能够准确对视频进行分本文档来自技高网...

【技术保护点】
1.一种视频分类方法，其特征在于，包括：/n获取待分类视频的多个视频帧；/n根据所述多个视频帧生成第一特征图像，其中所述第一特征图像中包括所述多个视频帧的特征；/n根据所述第一特征图像中的特征以及所述第一特征图像中的特征两两之间的相互关系生成分类特征向量；/n根据所述分类特征向量获取所述视频的类别。/n

【技术特征摘要】
1.一种视频分类方法，其特征在于，包括：
获取待分类视频的多个视频帧；
根据所述多个视频帧生成第一特征图像，其中所述第一特征图像中包括所述多个视频帧的特征；
根据所述第一特征图像中的特征以及所述第一特征图像中的特征两两之间的相互关系生成分类特征向量；
根据所述分类特征向量获取所述视频的类别。


2.如权利要求1所述的视频分类方法，其特征在于，所述根据所述多个视频帧生成第一特征图像，包括：
将所述多个视频帧输入一个或多个卷积层得到所述第一特征图像。


3.如权利要求1所述的视频分类方法，其特征在于，所述根据所述第一特征图像中的特征以及所述第一特征图像中的特征两两之间的相互关系生成分类特征向量，包括：
根据一组一阶权重系数和所述第一图像中的特征计算所述第一特征图像中特征的一阶项的值；
根据一组二阶权重系数和所述第一图像中的两个特征计算所述第一特征图像中特征的二阶项的值；
根据所述一阶项的值和所述二阶项的值计算所述分类特征向量中的一个值。


4.如权利要求3所述的视频分类方法，其特征在于，所述根据一组二阶权重系数和所述第一图像中的两个特征计算所述第一特征图像中特征的二阶项的值，包括：
通过隐变量表示所述二阶权重系数，其中所述隐变量包括两个向量；
根据所述隐变量中的两个向量和所述第一图像中的特征计算所述二阶项的值。


5.如权利要求4所述的视频分类方法，其特征在于，所述隐变量中的两个向量相同，所述根据所述隐变量中的两个向量和所述第一图像中的特征计算所述二阶项的值，包括：
将所述隐变量中的向量的每一列作为一组一阶系数计算与所述第一图像中的特征的内积，得到列数个内积；
计算所述列数个内积的平方和作为所述二阶项的值。


6.如权利要求1所述的视频分类方法，其特征在于，所述根据所述分类特征向量获取所述视频的类别，包括：
根据所述分类特征向量计算所述视频在每个类别中的置信度；
选取置信度高于置信阈值的类别作为所述视频的类别。


7.如权利要求1所述的视频分类方法，其特征在于，所述视频分类方法由视频分类模型执行，所述视频分类模型中包括第一卷积模型、第二卷积模型和分类器，其中：
所述第一卷积模型用于根据所述多个视...

【专利技术属性】
技术研发人员：邵杰，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