多标签视频分类方法、模型训练方法、装置及介质制造方法及图纸

本申请提供一种多标签视频分类方法、模型训练方法、装置及介质，涉及人工智能技术领域，该模型训练方法用于减少训练视频分类模型过程中的计算量。该分类视频模型包括特征构造模块和分类模块，特征构造模块的参数矩阵的秩和分类模块的参数矩阵的秩均小于样本每个样本视频帧的样本特征向量的维度，利用特征构造模块确定样本特征矩阵中与视频标签分类相关的特征，获得第一特征矩阵；利用各视频标签对应的分类模块确定第一特征矩阵与视频标签的相关度，获得属于各视频标签的概率；调整特征构造模块的参数矩阵，和每个视频标签对应的分类模块的参数矩阵，直至各视频标签对应的视频分类模型收敛，获得各视频标签的已训练的视频分类模型。

【技术实现步骤摘要】
多标签视频分类方法、模型训练方法、装置及介质
本申请涉及计算机
，尤其涉及人工智能
，提供一种多标签视频分类方法、模型训练方法、装置及介质。
技术介绍
为了便于用户查找自己想要观看的视频，目前大多数视频播放平台都会为各视频进行分类，比如按照视频标签库中的视频标签对视频进行分类。目前，对视频分类的方法是提取视频的双线性池化特征，通过网络对双线性池化特征进行分类，获得视频对应的视频标签，但视频的双线性池化特征较多，导致训练网络过程中的计算量较大。
技术实现思路
本申请实施例提供一种多标签视频分类方法、模型训练方法、装置及介质，用于减少训练视频分类模型过程中的计算量。一方面，提供了一种多标签视频分类模型训练方法，应用于训练每个视频标签对应的视频分类模型，每个视频标签对应的视频分类模型包括特征构造模块和分类模块，所述方法包括：提取样本视频的样本特征矩阵；其中，所述样本视频标注了所属的真实视频标签，所述样本特征矩阵包括所述样本视频的多个样本视频帧中各样本视频帧的样本特征向量，所述特征构造模块的参数矩阵的秩和所述分类本文档来自技高网...

【技术保护点】
1.一种多标签视频分类模型训练方法，其特征在于，应用于训练每个视频标签对应的视频分类模型，每个视频标签对应的视频分类模型包括特征构造模块和分类模块，所述方法包括：/n提取样本视频的样本特征矩阵；其中，所述样本视频标注了所属的真实视频标签，所述样本特征矩阵包括所述样本视频的多个样本视频帧中各样本视频帧的样本特征向量，所述特征构造模块的参数矩阵的秩和所述分类模块的参数矩阵的秩均小于样本视频帧的样本特征向量的维度；/n通过所述特征构造模块，确定所述样本特征矩阵中与视频标签分类相关的特征，获得第一特征矩阵；/n分别通过每个视频标签对应的分类模块，确定所述第一特征矩阵与视频标签的相关度，获得所述样本视频...

【技术特征摘要】
1.一种多标签视频分类模型训练方法，其特征在于，应用于训练每个视频标签对应的视频分类模型，每个视频标签对应的视频分类模型包括特征构造模块和分类模块，所述方法包括：
提取样本视频的样本特征矩阵；其中，所述样本视频标注了所属的真实视频标签，所述样本特征矩阵包括所述样本视频的多个样本视频帧中各样本视频帧的样本特征向量，所述特征构造模块的参数矩阵的秩和所述分类模块的参数矩阵的秩均小于样本视频帧的样本特征向量的维度；
通过所述特征构造模块，确定所述样本特征矩阵中与视频标签分类相关的特征，获得第一特征矩阵；
分别通过每个视频标签对应的分类模块，确定所述第一特征矩阵与视频标签的相关度，获得所述样本视频属于每个视频标签的概率；
根据所述样本视频属于每个视频标签的概率，以及所述样本视频所属的真实视频标签，调整所述特征构造模块的参数矩阵，以及每个视频标签对应的分类模块的参数矩阵，直至所述每个视频标签对应的视频分类模型收敛，获得每个视频标签对应的已训练的视频分类模型。


2.如权利要求1所述的方法，其特征在于，所述通过所述特征构造模块，确定所述样本特征矩阵中与视频标签分类相关的特征，获得第一特征矩阵，具体包括：
利用所述特征构造模块，确定所述样本特征矩阵的转置中与视频标签分类相关的特征，获得第二特征矩阵；
根据所述第二特征矩阵，提取所述样本特征矩阵中的特征，获得第一特征矩阵。


3.如权利要求2所述的方法，其特征在于，所述根据所述第二特征矩阵，提取所述样本特征矩阵中的特征，获得第一特征矩阵，具体包括：
对所述第二特征矩阵进行稀疏处理；
根据稀疏处理后的矩阵，提取所述样本特征矩阵中的特征，获得第一特征矩阵。


4.如权利要求1所述的方法，其特征在于，所述分别通过每个视频标签对应的分类模块，确定所述第一特征矩阵与视频标签的相关度，获得所述样本视频属于每个视频标签的概率，具体包括：
分别通过每个视频标签对应的分类模块，提取所述第一特征矩阵中各特征与对应的视频标签的相关度，获得每个视频标签对应的第三特征矩阵；
分别确定每个视频标签对应的第三特征矩阵的迹，并将每个第三特征矩阵的迹确定为所述样本视频属于对应的视频标签的概率。


5.如权利要求1所述的方法，其特征在于，所述根据所述样本视频属于每个视频标签的概率，以及所述视频所属的真实视频标签，调整所述特征构造模块的参数矩阵，以及每个视频标签对应的分类模块的参数矩阵，直至所述每个视频标签对应的视频分类模型收敛，获得每个视频标签对应的已训练的视频分类模型，具体包括：
根据每个视频标签的概率与所述样本视频所属的真实视频标签之间的误差，确定每个视频标签对应的分类损失；
对所有视频标签对应的分类损失进行加权求和，获得视频分类的总损失；
根据所述总损失，调整所述特征构造模块，以及每个视频标签对应的分类模块，直至所述总损失满足目标损失，获得每个视频标签对应的已训练的视频分类模型。


6.如权利要求1～5任一项所述的方法，其特征在于，所述提取样本视频的样本特征向量，具体包括：
获...

【专利技术属性】
技术研发人员：王子愉，姜文浩，刘威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44