申请/专利权人:中国科学院微电子研究所
申请日:2023-03-13
公开(公告)日:2024-01-30
公开(公告)号:CN116310984B
主分类号:G06V20/40
分类号:G06V20/40;H04N21/488;G06V10/771;G06V10/82;G06F40/258;G06N3/0455;G06N3/0464;G06N3/047
优先权:
专利状态码:有效-授权
法律状态:2024.01.30#授权;2023.07.11#实质审查的生效;2023.06.23#公开
摘要:本发明涉及一种基于Token采样的多模态视频字幕生成方法,属于人工智能技术领域,解决了现有技术中延迟过高,计算速率慢的问题。具体包括:对视频中各帧图像进行CNN卷积处理得到处理后的各图像;获取各图像的多个一维图片向量,将每个一维图片向量作为一个Token;将所有Token输入到Transformer中,利用Transformer中的多个Encoder块对Token提取高级语义特征,在特征提取过程中对Token进行剪枝;将最后一个Encoder块输出的特征输入至Transformer中的Decode中进行解码,得到视频中各帧图像对应的文本信息。实现了降低计算开销的目的。
主权项:1.一种基于Token采样的多模态视频字幕生成方法,其特征在于,具体包括:对视频中各帧图像进行CNN卷积处理得到处理后的各图像;获取各图像的多个一维图片向量,将每个一维图片向量作为一个Token;将所有Token输入到Transformer中,利用Transformer中的多个Encoder块对Token提取高级语义特征,多个Encoder块依次级联,前一个Encoder块的输出作为后一个Encoder块的输入,将最后一个Encoder块输出的特征作为最终提取的高级语义特征;在特征提取过程中对Token进行剪枝是对前一个Encoder块输出的Token进行剪枝,并将剪枝后的Token作为下一个Encoder的输入;在特征提取过程中对Token进行剪枝包括:第一步,计算Encoder块输出的所有Token之间的注意力系数矩阵;第二步,根据注意力系数矩阵计算每个Token的显著性得分;第三步,将各Token的显著性得分按照由低至高的顺序进行排序,并根据排序后的各Token的显著性得分得到每个Token对应的分布函数;第四步,根据各Token的分布函数对Token进行采样;将最后一个Encoder块输出的特征输入至Transformer中的Decode中进行解码,得到视频中各帧图像对应的文本信息。
全文数据:
权利要求:
百度查询: 中国科学院微电子研究所 基于Token采样的多模态视频字幕生成方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。