基于特征融合的视频分类方法、装置、设备及介质与流程

1.本发明涉及人机器学习领域及金融视频领域，尤其涉及一种基于特征融合的视频分类方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.通常金融类视频主要由基金、期货、股市等趋势分析内容及金融图表内容等构成，其中的所涉及的图表相似度高及所涉及的专业词汇又多有重叠，导致金融类视频的区分度比较小。
3.针对上述情况，通常在对金融类视频进行分类时，通常需要提取金融类视频的多种模态的特征，例如，视频特征及文本特征，并对多模态的特征进行融合，再利用机器学习模型，根据融合后的特征对金融视频进行分类。
4.在进行多模态的特征融合时，由于每种特征的尺度不同，通常需要对每种模态的特征进行池化操作，一般的特征池化操作主要使用的平均池化算法或者是最大池化算法，即强制各个尺度的特征以均等的权重或最大的权重进行拼接并参与特征融合，这种做法无法避免相邻特征提取层对应的检测器的训练目标之间产生矛盾，显然不利于提高含有特征融合结构的卷积神经网络对于不同训练目标的适应性和收敛性，最终影响金融类视频检测整体的精度。


技术实现要素：

5.本发明提供一种基于特征融合的视频分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于提升金融视频分类的准确性。
6.为实现上述目的，本发明提供的一种基于特征融合的视频分类方法，包括：
7.生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；
8.拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；
9.生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量；
10.将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；
11.利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。
12.可选地，所述依次计算所述图像序列中每张图像的归一化图像注意力权重，包括：
13.对所述图像序列中每张图像进行图像特征提取，得到每张所述图像的图像特征矩阵；
14.根据所述图像特征矩阵每列像素值的大小对所述图像特征矩阵进行排序；
15.利用预先训练好的全连接层将排序后的图像特征矩阵转换为一维图像特征向量；
16.利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重。
17.可选地，所述利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重，包括：
18.将每张所述图像的一维图像特征向量的像素之和作为对应图像的特征权重系数；
19.对每张所述图像的特征权重系数进行非线性激活；
20.对非线性激活后的特征权重系数进行线性归一化，得到每张图像对应的归一化图像注意力权重。
21.可选地，所述利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量，包括：
22.将所述归一化图像注意力权重与对应图像的排序后的图像特征矩阵相乘，得到加权后的图像特征矩阵；
23.将加权后的图像特征矩阵中每列的数值求和，得到加权后的图像特征向量。
24.可选地，所述生成所述待分类视频对应的文本特征矩阵，包括：
25.识别所述待分类视频的文本内容，对所述文本内容进行分句，得到文本分句集；
26.提取所述文本分句集中每个分句的分句文本特征，得到每个所述分句的分句文本特征矩阵；
27.依次计算每个所述分句文本特征矩阵的归一化句子注意力权重，利用所述归一化句子注意力权重生成每个所述分句的加权后的句子特征向量；
28.拼接所有加权后的句子特征向量，得到所述待分类视频的文本特征矩阵。
29.可选地，所述生成待分类视频的图像序列，包括：
30.对所述待分类视频进行分帧操作，得到视频帧集合；
31.根据预设的视频帧抽取频率，按照时间先后顺序从所述视频帧集合中挑选视频帧组成所述图像序列。
32.为了解决上述问题，本发明还提供一种基于特征融合的视频分类装置，所述装置包括：
33.图像特征权重归一化模块，用于生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；
34.视频特征权重归一化模块，用于拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；
35.文本特征权重归一化模块，用于生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文
本内容对应的加权后的文本特征向量；
36.融合特征权重归一化模块，用于将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；
37.视频分类模块，用于利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。
38.可选地，所述图像特征权重归一化模块，通过下述方法计算所述图像序列中每张图像的归一化图像注意力权重：
39.对所述图像序列中每张图像进行图像特征提取，得到每张所述图像的图像特征矩阵；
40.根据所述图像特征矩阵每列像素值的大小对所述图像特征矩阵进行排序；
41.利用预先训练好的全连接层将排序后的图像特征矩阵转换为一维图像特征向量；
42.利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重。
43.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
44.存储器，存储至少一个计算机程序；及
45.处理器，执行所述存储器中存储的程序以实现上述所述的基于特征融合的视频分类方法。
46.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于特征融合的视频分类方法。
47.本发明实施例通过在对待分类视频的视频特征向量和文本特征向量融合之前，分别对构成视频特征向量的图像特征向量、视频特征矩阵进行相应的注意力权重归一化操作及对构成文本特征向量的文本特征矩阵进行注意力权重归一化操作，保障了两种模态的特征在形成过程，各自内部差异的稳定性，在进行两种模态的特征向量的融合时，再次对融合特征矩阵进行权重的归一化操作，即保留了两种模态特征各自差异的存在，又通过归一化操作的方式，规避了两种模态的特征差役的跳跃性，从而提升了最终的融合特征矩阵的准确性，有利于促进金融视频分类的准确性。
附图说明
48.图1为本发明一实施例提供的基于特征融合的视频分类方法的流程示意图；
49.图2为本发明一实施例提供的基于特征融合的视频分类方法中其中一个步骤的详细实施流程示意图；
50.图3为本发明一实施例提供的基于特征融合的视频分类方法中其中另一个步骤的详细实施流程示意图；
51.图4为本发明一实施例提供的基于特征融合的视频分类装置的功能模块图；
52.图5为本发明一实施例提供的实现所述基于特征融合的视频分类方法的电子设备的结构示意图。
53.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
54.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.本技术实施例提供一种基于特征融合的视频分类方法。所述基于特征融合的视频分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于特征融合的视频分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
56.参照图1所示，为本发明一实施例提供的基于特征融合的视频分类方法的流程示意图。在本实施例中，所述一种基于特征融合的视频分类方法包括：
57.s1、生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；
58.本发明实施例中，所述待分类视频可以是金融领域视频，例如，基金、期货走势分析视频、金融热点事件视频、金融专业知识培训视频等。
59.示例性地，某一金融理财平台，通过不断上新基础类或紧跟时事的金融主题视频增进与用户之间的黏性。通常可根据实际业务需要对金融视频进行分类，例如，根据金融视频所涉及的金融产品的属性对金融视频进行分类，包括期货交易视频、股票交易视频等；根据金融视频影响区域或发生区域进行分类，包括欧美金融视讯、珠三角金融视讯等，还可根据金融视频所涉及的专业知识领域进行分类，包括金融风险管控、金融税务知识视频等。该平台针对推出或引用的金融视频进行分类，一方面可以保障金融视频覆盖面的广泛，满足不同用户的需求，另一方面，可以避免金融视频的重复，消除冗余视频，节省平台存储资源，同时，对金融视频进行分类，还可以提升用户检索目标视频的效率。
60.可以理解的是，视频由数量不等的视频帧组成，每个视频帧可以理解为一张图像，因此，可利用所述待分类视频的视频帧组成所述待分类视频的图像序列。
61.详细地，所述生成待分类视频的图像序列，包括：
62.对所述待分类视频进行分帧操作，得到视频帧集合；
63.根据预设的视频帧抽取频率，按照时间先后顺序从所述视频帧集合中挑选视频帧组成所述图像序列。
64.可以理解的是，所述待分类视频由一系列的视频帧组成，可通过从所述待分类视频中，以一定频率随机抽取预设数量的视频帧的方式，将抽取到的视频帧组成所述图像序列。例如，所述待分类视频时长为a秒钟，每秒中抽取5个视频帧，则生成的图像序列包括5*a个视频帧。
65.本发明实施例中，由于每张所述图像包含不同尺度的特征，因此，在利用基于卷积神经网络(convolutional neural networks，简称cnn)的深度学习模型的卷积层提取每张所述图像的注意力权重也有所不同，通过每张所述图像的图像注意力权重进行归一化处理，可避免数值较大的权重之间的差距被过快地进一步放大在图像特征融合的训练中。
66.详细地，参阅图2所示，所述依次计算所述图像序列中每张图像的归一化图像注意
力权重，包括：
67.s11、对所述图像序列中每张图像进行图像特征提取，得到每张所述图像的图像特征矩阵；
68.s12、根据所述图像特征矩阵每列像素值的大小对所述图像特征矩阵进行排序；
69.s13、利用预先训练好的全连接层将排序后的图像特征矩阵转换为一维图像特征向量；
70.s14、利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重。
71.本发明实施例中，可利用预先训练好的vit(vision transformer)模型依次提取所述图像序列中的每张图像的图像特征。
72.示例性地，某一图像的图像特征矩阵是一个(n*m)*768的矩阵，该矩阵有n*m行，768列，对所述图像特征矩阵的列进行从大到小的排序，以便于后续的计算，排序后的图像特征矩阵仍然是(n*m)*768。
73.较佳地，所述预先训练好的全连接层可以位于所述预先训练好的vit模型的最后，所述全连接层可以将图像特征矩阵从二维矩阵转换为一维图像特征向量。
74.本发明实施例中，所述预设的激活函数可采用深度学习中常见的非线性激活函数，包括但不限于tanh激活函数、sigmoid激活函数、relu激活函数。
75.详细地，所述利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重，包括：
76.将每张所述图像的一维图像特征向量的像素之和作为对应图像的特征权重系数；
77.对每张所述图像的特征权重系数进行非线性激活；
78.对非线性激活后的特征权重系数进行线性归一化，得到每张图像对应的归一化图像注意力权重。
79.本发明通过对每张所述图像的图像特征进行非线性激活和线性归一化操作，保证各个尺度的不同图像特征的权重系数的数值均位于0到1之间且相加之和等于1，特别是利用非线性激活函数的饱和区，避免了数值较大的权重系数之间的差距被过快地进一步放大在图像特征融合训练中引发的剧烈震荡，再利用线性归一化降低运算量，提高了权重系数计算的稳定性和效率。
80.进一步地，所述利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量，包括：
81.将所述归一化图像注意力权重与对应图像的排序后的图像特征矩阵相乘，得到加权后的图像特征矩阵；
82.将加权后的图像特征矩阵中每列的数值求和，得到加权后的图像特征向量。
83.本发明实施例中，通过计算所述待分类视频对应的最小单位的图像的归一化图像注意力权重，一方面保留了每个图像的特征尺度差异，另一方面，对图像注意力权重进行归一化，又可以缩小了图像特征尺度差异在后续的特征融合进一步扩大。
84.s2、拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；
85.示例性地，所述待分类视频时长为a秒钟，每秒中抽取5个视频帧，则生成的图像序列包括5*a个视频帧，相应地，每个所述视频帧对应一个加权后的图像特征向量，每个加权后的图像特征向量认为一维向量，假设为1*768的向量，则视频特征矩阵为(5*a)*768的二维特征矩阵。
86.本发明实施例中，所述计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量与所述计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量方法相同，这里不再赘述。
87.本发明实施例中，在所述待分类视频对应的最小单位的图像特征进行归一化加权后，进一步地，对整体的视频特征矩阵进行归一化加权操作，有利于后续融合所述待分类视频的其他模态的特征。
88.s3、生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量。
89.可以理解的是，通常在对视频进行分类的操作中，较多考虑视频本身的视频特征以及视频对应的文本特征，基于视频特征和文本特征两种模态的特征对待分类视频进行分类。
90.详细地，参阅图3所示，所述生成所述待分类视频对应的文本特征矩阵，包括：
91.s31、识别所述待分类视频的文本内容，对所述文本内容进行分句，得到文本分句集；
92.s32、提取所述文本分句集中每个分句的分句文本特征，得到每个所述分句的分句文本特征矩阵；
93.s33、依次计算每个所述分句文本特征矩阵的归一化句子注意力权重，利用所述归一化句子注意力权重生成每个所述分句的加权后的句子特征向量；
94.s34、拼接所有加权后的句子特征向量，得到所述待分类视频的文本特征矩阵。
95.本发明实施例中，可利用asr(automatic speech recognition，自动语音识别)或ocr(optical character recognition，光学字符识别)技术识别所述待分类视频对应的文本内容。
96.可以理解的是，通常文本内容可划分为不同的分句，每个分句又可以划分成不同的分词，可以利用预先训练好的bert模型提取每个分词对应的文本特征，进而获取每个分句及整个所述文本内容的文本特征。
97.本发明实施例中，所述计算每个所述分句文本特征矩阵的归一化句子注意力权重，利用所述归一化句子注意力权重生成每个所述分句的加权后的句子特征向量与所述计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量方法相同，这里不再赘述。
98.本发明实施例中，所述计算所述文本特征矩阵对应的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量与所述计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量方法相同，这里不再赘述。
99.本发明实施例中，所述文本特征矩阵与所述待分类视频的视频特征矩阵相比较，原理相同，是基于每个所述分句的分句文本特征向量构建，且每个所述分句文本特征向量进行了相关句子注意力权重的归一化处理，并且所述文本特征矩阵最终也进行了文本注意力权重归一化处理，这样可以保障所述文本特征矩阵内部差异的稳定性。
100.s4、将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量，利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。
101.本发明实施例中，所述视频特征向量及所述文本特征向量均为一维向量，对所述视频特征向量和所述文本特征向量进行叠加，得到二维融合特征矩阵，并采用与计算每张图像的归一化图像注意力权重的相同方法，生成所述融合特征矩阵的归一化综合权重，进一步地，先将所述融合特征矩阵与所述归一化综合权重相乘后，再对相乘后的融合特征矩阵中每列的数值求和，得到归一化后的融合特征向量。
102.本发明实施例中，所述融合特征向量即保留了两种模态特征各自差异的存在，又通过归一化操作的方式，规避了两种模态的特征差役的跳跃性，从而提升了最终的融合特征矩阵的准确性。
103.本发明实施例中，所述预先完成训练的分类器可以是mlp模型，利用所述mlp模型基于所述融合特征向量对所述待分类视频进行分类。
104.本发明实施例通过在对待分类视频的视频特征向量和文本特征向量融合之前，分别对构成视频特征向量的图像特征向量、视频特征矩阵进行相应的注意力权重归一化操作及对构成文本特征向量的文本特征矩阵进行注意力权重归一化操作，保障了两种模态的特征在形成过程，各自内部差异的稳定性，在进行两种模态的特征向量的融合时，再次对融合特征矩阵进行权重的归一化操作，即保留了两种模态特征各自差异的存在，又通过归一化操作的方式，规避了两种模态的特征差役的跳跃性，从而提升了最终的融合特征矩阵的准确性，有利于促进金融视频分类的准确性。
105.如图4所示，是本发明一实施例提供的基于特征融合的视频分类装置的功能模块图。
106.本发明所述基于特征融合的视频分类装置100可以安装于电子设备中。根据实现的功能，所述基于特征融合的视频分类装置100包括：图像特征权重归一化模块101、视频特征权重归一化模块102、文本特征权重归一化模块103、融合特征权重归一化模块104及视频分类模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
107.在本实施例中，关于各模块/单元的功能如下：
108.所述图像特征权重归一化模块101，用于生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；
109.所述视频特征权重归一化模块102，用于拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；
110.所述文本特征权重归一化模块103，用于生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量；
111.所述融合特征权重归一化模块104，用于将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；
112.所述视频分类模块105，用于利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。
113.详细地，本发明实施例中所述基于特征融合的视频分类装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于特征融合的视频分类方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
114.如图5所示，是本发明一实施例提供的实现基于特征融合的视频分类方法的电子设备的结构示意图。
115.所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如视频分类程序。
116.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如视频分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
117.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如视频分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
118.所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
119.图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
120.例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电
池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
121.进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
122.可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
123.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
124.所述电子设备1中的所述存储器11存储的视频检索程序是多个指令的组合，在所述处理器10中运行时，可以实现：
125.生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；
126.拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；
127.生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量；
128.将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；
129.利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。
130.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
131.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
132.生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注
意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；
133.拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；
134.生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量；
135.将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；
136.利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。
137.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
138.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
139.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
140.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
141.本技术实施例可以基于全息投影技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
142.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
143.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于特征融合的视频分类方法，其特征在于，所述方法包括：生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量；将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。2.如权利要求1所述的基于特征融合的视频分类方法，其特征在于，所述依次计算所述图像序列中每张图像的归一化图像注意力权重，包括：对所述图像序列中每张图像进行图像特征提取，得到每张所述图像的图像特征矩阵；根据所述图像特征矩阵每列像素值的大小对所述图像特征矩阵进行排序；利用预先训练好的全连接层将排序后的图像特征矩阵转换为一维图像特征向量；利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重。3.如权利要求2所述的基于特征融合的视频分类方法，其特征在于，所述利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重，包括：将每张所述图像的一维图像特征向量的像素之和作为对应图像的特征权重系数；对每张所述图像的特征权重系数进行非线性激活；对非线性激活后的特征权重系数进行线性归一化，得到每张图像对应的归一化图像注意力权重。4.如权利要求2所述的基于特征融合的视频分类方法，其特征在于，所述利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量，包括：将所述归一化图像注意力权重与对应图像的排序后的图像特征矩阵相乘，得到加权后的图像特征矩阵；将加权后的图像特征矩阵中每列的数值求和，得到加权后的图像特征向量。5.如权利要求1所述的基于特征融合的视频分类方法，其特征在于，所述生成所述待分类视频对应的文本特征矩阵，包括：识别所述待分类视频的文本内容，对所述文本内容进行分句，得到文本分句集；提取所述文本分句集中每个分句的分句文本特征，得到每个所述分句的分句文本特征矩阵；依次计算每个所述分句文本特征矩阵的归一化句子注意力权重，利用所述归一化句子注意力权重生成每个所述分句的加权后的句子特征向量；
拼接所有加权后的句子特征向量，得到所述待分类视频的文本特征矩阵。6.如权利要求1所述的基于特征融合的视频分类方法，其特征在于，所述生成待分类视频的图像序列，包括：对所述待分类视频进行分帧操作，得到视频帧集合；根据预设的视频帧抽取频率，按照时间先后顺序从所述视频帧集合中挑选视频帧组成所述图像序列。7.一种基于特征融合的视频分类装置，其特征在于，所述装置包括：图像特征权重归一化模块，用于生成待分类视频的图像序列，依次计算所述图像序列中每张图像的归一化图像注意力权重，利用所述归一化图像注意力权重生成每张所述图像对应的加权后的图像特征向量；视频特征权重归一化模块，用于拼接所有加权后的图像特征向量，得到所述待分类视频的视频特征矩阵，计算所述视频特征矩阵的归一化视频注意力权重，利用所述归一化视频注意力权重生成所述待分类视频的视频特征向量；文本特征权重归一化模块，用于生成所述待分类视频对应的文本特征矩阵，计算所述文本特征矩阵的归一化文本注意力权重，利用所述归一化文本注意力权重生成所述文本内容对应的加权后的文本特征向量；融合特征权重归一化模块，用于将所述视频特征向量及所述文本特征向量进行叠加，得到融合特征矩阵，计算所述融合特征矩阵的归一化综合权重，利用所述归一化综合权重生成所述待分类视频的融合特征向量；视频分类模块，用于利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。8.如权利要求7所述的基于特征融合的视频分类装置，其特征在于，所述图像特征权重归一化模块，通过下述方法计算所述图像序列中每张图像的归一化图像注意力权重：对所述图像序列中每张图像进行图像特征提取，得到每张所述图像的图像特征矩阵；根据所述图像特征矩阵每列像素值的大小对所述图像特征矩阵进行排序；利用预先训练好的全连接层将排序后的图像特征矩阵转换为一维图像特征向量；利用预设的激活函数对所述一维图像特征向量进行激活和归一化处理，得到每张所述图像的归一化图像注意力权重。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于特征融合的视频分类方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于特征融合的视频分类方法。

技术总结
本发明涉及机器学习领域及金融视频领域，揭露一种基于特征融合的视频分类方法，包括：计算待分类视频中每张图像的归一化图像注意力权重，生成加权后的图像特征向量，拼接图像特征向量得到视频特征矩阵，计算视频特征矩阵的归一化视频注意力权重并生成加权后的视频特征向量，计算待分类视频的文本特征矩阵的归一化文本注意力权重，生成加权后的文本特征向量，将视频特征向量及文本特征向量叠加得到融合特征矩阵，计算融合特征矩阵的归一化综合权重并生成融合特征向量，利用预先完成训练的分类器，根据所述融合特征向量对所述待分类视频进行分类。本发明还提出一种基于特征融合的视频分类装置、设备及介质。本发明可以提升金融类视频分类的准确率。类视频分类的准确率。类视频分类的准确率。


技术研发人员：舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.25
技术公布日：2023/8/28