一种基于特征融合的互联网视频低俗行为检测方法技术

本发明专利技术公开了一种基于特征融合的互联网视频低俗行为检测方法。本发明专利技术步骤：1：构建一个用于低俗不良动作检测的五分类视频数据集；同时对数据集中各个类别的样本视频数据进行统计；2：对五分类视频数据集进行数据预处理和人工序列化类型标注；3：构建对动作长度敏感的感受野自适应U型时序卷积网络AU

【技术实现步骤摘要】
一种基于特征融合的互联网视频低俗行为检测方法


[0001]本专利技术属于计算机视觉领域，提供一种基于特征融合的互联网视 频低俗行为检测方法。

技术介绍

[0002]随着网络通信技术与互联网社交媒体的快速发展，互联网上各色 数据信息爆炸式的增长。如今，随着抖音、快手等短视频APP的风靡， 视频已经成为了互联网信息传递的重要载体。但是互联网在为人们的 生活带来便利之时，同样带来了潜在的不良影响。随着互联网数据的 海量化，低俗视频等不良信息也变得易于获取，不利于青少年的健康 成长。由于网络信息庞大而复杂，采用人工过滤低俗信息的方式效率 过低，不能满足监管需求，而近年来深度学习在对图像和视频的处理 上均展现出了优秀的性能，因此本文基于深度学习理论，提出了针对 互联网视频中低俗行为检测的智能化方法。
[0003]在视频低俗行为检测方面，过去大部分研究者默认一个视频只包 含了一个动作，通过判断该视频中包含的动作是否属于低俗行为来实 现低俗行为的检测。而当一个视频中包含了多个低俗行为时，采用动 作分类的方法无法做到对视频中的所有低俗行为进行精确的检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的互联网视频低俗行为检测方法，其特征在于包括如下步骤：步骤S1：构建一个用于低俗不良动作检测的五分类视频数据集；同时对数据集中各个类别的样本视频数据进行统计；步骤S2：对五分类视频数据集进行数据预处理和人工序列化类型标注；步骤S3：构建对动作长度敏感的感受野自适应U型时序卷积网络AU
‑
TCN，包括时序卷积神经网络、时序注意力卷积模块和多尺度时域特征融合结构；步骤S4：将构建好的网络模型运用于数据集进行训练测试，以验证网络模型的准确率指标；步骤S5：使用训练后的模型对各类数据集进行实验结果可视化，以图片的形式展现出视频分割结果。2.根据权利要求1所述的一种基于特征融合的互联网视频低俗行为检测方法，其特征在于步骤S3具体实现如下：步骤S31：时序卷积神经网络为编码器
‑
解码器时序卷积网络ED
‑
TCN；编码器垂直地分为若干层，每一层由卷积运算、激活函数、池化多个模块叠加而成，每一层的输出特征公式如下：E
i
＝pool(f(W*E
i
‑1+b))#(1)其中E
i
表示第i层的输出特征，W和b为卷积层参数，*表示卷积运算，f表示非线性激活函数，pool为最大池化操作；步骤S32：构建时序注意力卷积模块；步骤S33：对自适应时序卷积神经网络进行多尺度时域特征融合。3.根据权利要求2所述的一种...

【专利技术属性】
技术研发人员：徐然，林欣楠，袁程鹏，秦飞巍，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：