【技术实现步骤摘要】
本专利技术涉及云计算，具体涉及一种自学习式云视频生成方法、装置及计算机设备。
技术介绍
1、云视频（cloud video ）是指基于云计算商业模式应用的视频网络平台服务。在云平台上，所有的视频供应商，代理商，策划服务商，制作商，行业协会，管理机构，行业媒体，法律结构等都集中云整合成资源池，各个资源相互展示和互动，按需交流，达成意向，从而降低成本，提高效率，这样的概念就是云视频概念。
2、目前云视频生成，多采用获取样本数据以及样本标签的方法，通常依赖于人为进行标注，然后依据标注的标签进行视频生成。此种方法只专注于云视频生成的精准性，而忽视了云视频生成的泛化性能，从而容易导致云视频出现多样性、包容性受限，只能针对于生成云视频的局部特征，最终造成云视频生成质量差的问题。
技术实现思路
1、本专利技术的目的在于提供一种自学习式云视频生成方法、装置及计算机设备，以解决现有技术中只专注于云视频生成的精准性，而忽视了云视频生成的泛化性能，从而容易导致云视频出现多样性、包容性受限的技术问题。
2、为解决上述技术问题，本专利技术具体提供下述技术方案：
3、在本专利技术的第一方面，一种自学习式云视频生成方法，包括以下步骤：
4、获取云视频，所述云视频中包括多个以时序排列的云视频帧；
5、利用生成对抗网络gan，根据多个云视频帧进行深度学习，得到用于非定向生成云视频帧的非定向生成网络；
6、利用时序预测网络lstm，根据多个云视频
7、利用stacking集成模型，根据多个云视频帧，对非定向网络和定向网络进行集成学习，得到用于对云视频帧的定向和非定向生成结果进行自适应决策的自学习生成网络。
8、作为本专利技术的一种优选方案，所述非定向生成网络的构建方法包括：
9、将多个云视频帧中前置时序处的云视频帧作为生成对抗网络中生成模型的输入项，由生成模型输出后置时序处的预测云视频帧；
10、将多个云视频帧中后置时序处的云服务帧和后置时序处的预测云服务帧作为生成对抗网络中判别模型的输入项，由判别模型输出对生成模型的评价结果；
11、基于所述评价结果，训练所述生成对抗网络以达到最高评价结果；
12、将具有最高评价结果的生成对抗网络作为所述非定向生成网络；
13、所述非定向生成网络为：gn=gan({g1,g2,g3,…,gn-1})；式中，gn为预测云视频帧，{g1,g2,g3,…,gn-1}为前置于预测视频帧的n-1个云视频帧构成的云视频，g1,g2,g3,gn-1分别为{g1,g2,g3,…,gn-1}中的第1，2，3，n-1个时序处的云视频帧，gan为生成对抗网络。作为本专利技术的一种优选方案，所述定向生成网络的构建方法包括：
14、将多个云视频帧中前置时序处的云视频帧作为时序预测网络的输入项，将多个云视频帧后置时序处的云视频帧作为时序预测网络的输出项；
15、利用时序预测网络，对时序预测网络的输入项和时序预测网络的输出项间的时序映射关系进行学习，得到所述定向生成网络；
16、所述定向生成网络为：
17、gn=lstm({g1,g2,g3,…,gn-1})；式中，gn为预测云视频帧，{g1,g2,g3,…,gn-1}为前置于预测视频帧的n-1个云视频帧构成的云视频，g1,g2,g3,gn-1分别为{g1,g2,g3,…,gn-1}中的第1，2，3，n-1个时序处的云视频帧，lstm为时序预测网络。
18、作为本专利技术的一种优选方案，所述自学习生成网络的构建方法包括：
19、将非定向生成网络与定向生成网络的输出项作为stacking集成模型的输入项，由stacking集成模型输出最优预测云视频帧；
20、利用自适应函数构建stacking集成模型的损失函数，以stacking集成模型的损失函数进行stacking集成模型的训练，得到所述自学习生成网络；
21、所述自学习生成网络为：gn-best=stacking(gn-gan, gn-lstm)；式中，gn-best为最优预测云视频帧，gn-gan为非定向生成网络的输出项，gn-lstm为定向生成网络的输出项，stacking为stacking集成模型。
22、作为本专利技术的一种优选方案，所述stacking集成模型的损失函数的构建方法包括：
23、基于自学习生成网络对非定向生成网络的泛化性和定向生成网络的精准性的双优化原则，利用自适应函数根据非定向生成网络和定向生成网络的损失函数构建出stacking集成模型的损失函数，所述自适应函数为s型生长函数；
24、所述stacking集成模型的损失函数为：
25、loss_stacking=k*loss_gan+l*loss_lstm；
26、l=1/[1+e-(x-m)]；
27、k=1/[1+e(x-m)]；式中，loss_stacking为stacking集成模型的损失函数，loss_gan为非定向生成网络的损失函数，loss_lstm为定向生成网络的损失函数，k为非定向生成网络的自适应函数，l为定向生成网络的自适应函数，x为stacking集成模型的训练阶段，m为常数项。作为本专利技术的一种优选方案，所述非定向生成网络的损失函数为非定向生成网络输出的预测云视频帧与预测云视频帧对应的云视频帧真实值间的差异性，以均方误差进行量化，所述非定向生成网络的损失函数为：loss_gan=mse(gn,greal)，式中，loss_gan为非定向生成网络的损失函数，mse为均方误差，gn为预测云视频帧，greal为对应的云视频帧真实值。作为本专利技术的一种优选方案，所述定向生成网络的损失函数为定向生成网络输出的预测云视频帧与预测云视频帧对应的云视频帧真实值间的差异性，以均方误差进行量化，所述定向生成网络的损失函数为：loss_lstm=mse(gn,greal)，式中，loss_lstm为定向生成网络的损失函数，mse为均方误差，gn为预测云视频帧，greal为对应的云视频帧真实值。
28、作为本专利技术的一种优选方案，所述stacking集成模型包括分类器、神经网络中的任意一种。
29、在本专利技术的第二方面，一种自学习式云视频生成装置，应用于所述的一种自学习式云视频生成方法，自学习式云视频生成装置包括：
30、数据获取单元，用于获取云视频，所述云视频中包括多个以时序排列的云视频帧；
31、深度学习单元，用于利用生成对抗网络gan，根据多个云视频帧进行深度学习，得到用于非定向生成云视频帧的非定向生成网络；
32、用于利用时序预测网络lstm，根据多个云视频帧进行深度学习，得到用于定向生成云视频帧的定向生成网络；
33、以及利用stacking集成本文档来自技高网...
【技术保护点】
1.一种自学习式云视频生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自学习式云视频生成方法，其特征在于：所述非定向生成网络的构建方法包括：
3.根据权利要求2所述的一种自学习式云视频生成方法，其特征在于：所述定向生成网络的构建方法包括：
4.根据权利要求3所述的一种自学习式云视频生成方法，其特征在于：所述自学习生成网络的构建方法包括：
5.根据权利要求4所述的一种自学习式云视频生成方法，其特征在于：所述stacking集成模型的损失函数的构建方法包括：
6.根据权利要求5所述的一种自学习式云视频生成方法，其特征在于：所述非定向生成网络的损失函数为非定向生成网络输出的预测云视频帧与预测云视频帧对应的云视频帧真实值间的差异性，以均方误差进行量化，所述非定向生成网络的损失函数为：Loss_GAN=MSE(Gn,Greal)，式中，Loss_GAN为非定向生成网络的损失函数，MSE为均方误差，Gn为预测云视频帧，Greal为对应的云视频帧真实值。
7.根据权利要求6所述的一种自学习式云视频生成方法
8.根据权利要求7所述的一种自学习式云视频生成方法，其特征在于：所述stacking集成模型包括分类器、神经网络中的任意一种。
9.一种自学习式云视频生成装置，其特征在于，应用于权利要求1-8任一项所述的一种自学习式云视频生成方法，自学习式云视频生成装置包括：
10.一种计算机设备，其特征在于，包括：至少一个处理器；以及
...【技术特征摘要】
1.一种自学习式云视频生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自学习式云视频生成方法，其特征在于：所述非定向生成网络的构建方法包括：
3.根据权利要求2所述的一种自学习式云视频生成方法，其特征在于：所述定向生成网络的构建方法包括：
4.根据权利要求3所述的一种自学习式云视频生成方法，其特征在于：所述自学习生成网络的构建方法包括：
5.根据权利要求4所述的一种自学习式云视频生成方法，其特征在于：所述stacking集成模型的损失函数的构建方法包括：
6.根据权利要求5所述的一种自学习式云视频生成方法，其特征在于：所述非定向生成网络的损失函数为非定向生成网络输出的预测云视频帧与预测云视频帧对应的云视频帧真实值间的差异性，以均方误差进行量化，所述非定向生成网络的损失函数为：loss_gan=mse(gn,greal)，式中，loss_gan为非定向生成网络...
【专利技术属性】
技术研发人员：王曜，吴光冠，
申请(专利权)人：深圳云天畅想信息科技有限公司，
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。