【技术实现步骤摘要】
本申请涉及视频处理领域，以下描述涉及一种视频数据集识别方法及装置。
技术介绍
1、在深度学习视频分类任务中，所使用的视频数据集一般可以分为两种类型：通用视频数据集和监控视频数据集。这两种数据集分别有着不同的建模思路，通用视频数据集需要同时建模视频空间上的内容关系与时间上的前后关系，而监控视频数据集更需要建模视频前后帧的时序关系。基于此，目前学术或工业界普遍都会针对两种视频分别进行建模。对于通用视频数据集，学术界或工业界一般采用基于图像的分析算法，辅助以一些轻量化的时序模块来进行通用视频分类任务。而对于监控视频数据集，学术界或工业界一般采用较重的3d卷积或transformer模块，来对时序建模部分进行详细刻画。如果盲目地应用某种模型对所有数据集进行分类，既会造成计算资源的浪费，也会导致模型的准确率不高。目前为了有区别地对通用视频数据集和监控视频数据集分别进行建模，一般的做法是需要ai专家对数据集的类型进行判断，然后根据判断的类型进行针对性的建模。因此，相关技术中需要专家的参与明显提高了使用门槛，对于没有ai背景的普通用户很不友好，而且也增加了人工成本。
技术实现思路
1、本公开的示例性实施例可至少解决上述问题。
2、根据本公开的第一方面，提供了一种视频数据集识别方法，包括：从待处理视频数据集中得到训练视频数据集；从训练视频数据集的每个训练视频中抽取第一预定个数的图像帧和第二预定个数的图像帧，得到每个训练视频对应的第一抽样视频和第二抽样视频，其中，第二预定个数大于第一预定
3、可选地，通过如下方式确定第二检测网络的精度大于第一检测网络的精度：从待处理视频数据集中得到验证视频数据集；从验证视频数据集的每个验证视频中抽取第一预定个数的图像帧和第二预定个数的图像帧，得到每个验证视频对应的第三抽样视频和第四抽样视频；将每个第三抽样视频分别输入第一检测网络，得到每个第三抽样视频对应的预估目标信息，并将每个第四抽样视频分别输入第二检测网络，得到每个第四抽样视频对应的预估目标信息；确定第一目标验证视频在验证视频数据集中第一占比和第二目标验证视频在验证视频数据集中第二占比，其中，第一目标验证视频中的实际目标信息与相应的第三抽样视频对应的预估目标信息一致，第二目标验证视频中的实际目标信息与相应的第四抽样视频对应的预估目标信息一致；在第二占比与第一占比的差值超过第一预设值的情况下，确定第二检测网络的精度大于第一检测网络的精度。
4、可选地，检测网络为时间段网络或时间关系网络。
5、可选地，检测网络为时间段网络和时间关系网络，在检测网络为时间段网络和时间关系网络的情况下，第一检测网络包括第一已训练检测网络和第三已训练检测网络，第二检测网络包括第二已训练检测网络和第四已训练检测网络，其中，基于所有第一抽样视频训练检测网络，得到第一检测网络包括：基于得到的全部第一抽样视频训练时间段网络，得到第一已训练检测网络；并基于得到的全部第一抽样视频训练时间关系网络，得到第三已训练检测网络；基于所有第二抽样视频训练检测网络，得到第二检测网络，包括：基于得到的全部第二抽样视频训练时间段网络，得到第二已训练检测网络；并基于得到的全部第二抽样视频训练时间关系网络，得到第四已训练检测网络；方法还包括：在第二已训练检测网络的精度大于第一已训练检测网络的精度，或者，第四已训练检测网络的精度大于第三已训练检测网络的精度的情况下，确定待处理视频数据集的类型为监控视频数据集。
6、可选地，在检测网络为时间段网络和时间关系网络的情况下，还包括：在第三已训练检测网络的精度大于第一已训练检测网络的精度，或者，第四已训练检测网络的精度大于第二已训练检测网络的精度的情况下，确定待处理视频数据集的类型为监控视频数据集。
7、可选地，基于所有第一抽样视频训练检测网络，包括：将所有第一抽样视频输入检测网络，得到每个第一抽样视频对应的第一预估目标信息；基于所有第一预估目标信息和所有训练视频中的实际目标信息，确定第一损失函数；通过第一损失函数对检测网络的参数进行调整；基于所有第二抽样视频训练检测网络，包括：将所有第二抽样视频输入检测网络，得到每个第二抽样视频对应的第二预估目标信息；基于第二预估目标信息和所有训练视频中的实际目标信息，确定第二损失函数；通过第二损失函数对检测网络的参数进行调整。
8、可选地，还通过如下方式确定第二检测网络的精度大于第一检测网络的精度：在第一损失函数与第二损失函数的差值超过第二预设值的情况下，确定第二检测网络的精度大于第一检测网络的精度。
9、可选地，在第二占比与第一占比的差值没有超过第一预设值的情况下，基于所有第一抽样视频继续训练检测网络，并基于所有第二抽样视频继续训练检测网络，在预定次数的训练过程中第二占比与第一占比的差值超过第一预设值的情况下，确定待处理视频数据集的类型为监控视频数据集。
10、可选地，训练视频数据集和验证视频数据集通过如下方式获取：获取预先确定的预定比例；按预定比例对待处理视频数据集进行拆分，得到训练视频数据集和验证视频数据集，其中，训练视频数据集和验证视频数据集合并后为待处理视频数据集。
11、根据本公开的第二方面，提供了一种视频数据集识别装置，包括：训练视频数据集获取单元，被配置为从待处理视频数据集中得到训练视频数据集；抽取单元，被配置为从训练视频数据集的每个训练视频中抽取第一预定个数的图像帧和第二预定个数的图像帧，得到每个训练视频对应的第一抽样视频和第二抽样视频，其中，第二预定个数大于第一预定个数；第一训练单元，被配置为基于所有第一抽样视频训练检测网络，得到第一检测网络，其中，检测网络用于识别视频中目标信息的网络；第二训练单元，被配置为基于所有第二抽样视频训练检测网络，得到第二检测网络；分类单元，被配置为在第二检测网络的精度大于第一检测网络的精度的情况下，确定待处理视频数据集的类型为监控视频数据集，其中，精度指示第一检测网络或第二检测网络输出的预估目标信息与相应的实际目标信息一致的概率。
12、可选地，通过如下方式确定第二检测网络的精度大于第一检测网络的精度：从待处理视频数据集中得到验证视频数据集；从验证视频数据集的每个验证视频中抽取第一预定个数的图像帧和第二预定个数的图像帧，得到每个验证视频对应的第三抽样视频和第四抽样视频；将每个第三抽样视频分别输入第一检测网络，得到每个第三抽样视频对应的预估目标信息，并将每个第四抽样视频分别输入第二检测网络，得到每个第四抽样视频对应的预估目标信息；确定第一目标验证视频在验证视频数据集中第一占比和第二目标验证视频在验证视频数据集中本文档来自技高网...
【技术保护点】
1.一种视频数据集识别方法，其中，所述方法包括：
2.根据权利要求1中所述的方法，其中，通过如下方式确定所述第二检测网络的精度大于所述第一检测网络的精度：
3.根据权利要求1中所述的方法，其中，所述检测网络为时间段网络或时间关系网络。
4.根据权利要求1中所述的方法，其中，所述检测网络为时间段网络和时间关系网络，
5.根据权利要求4中所述的方法，其中，在所述检测网络为时间段网络和时间关系网络的情况下，还包括：
6.根据权利要求1中所述的方法，其中，所述基于所有第一抽样视频训练检测网络，包括：
7.根据权利要求6中所述的方法，其中，还通过如下方式确定所述第二检测网络的精度大于所述第一检测网络的精度：
8.一种视频数据集识别装置，其中，所述装置包括：
9.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至7中的任一权利要求所述的视频数据集识别方法。
10.一种包括至少一个计算装置和至少一个存储指令的存储装置的系
...【技术特征摘要】
1.一种视频数据集识别方法，其中，所述方法包括：
2.根据权利要求1中所述的方法，其中，通过如下方式确定所述第二检测网络的精度大于所述第一检测网络的精度：
3.根据权利要求1中所述的方法，其中，所述检测网络为时间段网络或时间关系网络。
4.根据权利要求1中所述的方法，其中，所述检测网络为时间段网络和时间关系网络，
5.根据权利要求4中所述的方法，其中，在所述检测网络为时间段网络和时间关系网络的情况下，还包括：
6.根据权利要求1中所述的方法，其中，所述基于所有第一抽样视频训练检测网络，包括：
<...【专利技术属性】
技术研发人员：张晨麟，许玉燕，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。