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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD