申请/专利权人:东北大学
申请日:2024-01-08
公开(公告)日:2024-04-09
公开(公告)号:CN117853978A
主分类号:G06V20/40
分类号:G06V20/40;G06V20/62;G06V10/774
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明的一种基于大规模语言模型的密集视频检测方法,包括:收集现有图像字幕数据集和视频字幕数据集,构造图像‑文本对和帧图像序列‑文本对;搭建多模态大语言模型框架,通过DeepSpeed工具进行分布式训练,利用图像‑文本对和帧图像序列‑文本对微调多模态大语言模型;收集现有密集视频数据集,对密集视频进行均匀采样得到帧图像序列,对密集视频的事件进行填充和截断;构造模型输入范式,对微调后的多模态大语言模型有监督微调实现密集视频检测。本发明将密集视频检测与多模态大语言模型相结合,通过迁移学习,充分利了用图像字幕与视频字幕任务的文本信息、多模态大语言模型的视觉和文本理解能力。
主权项:1.一种基于大规模语言模型的密集视频检测方法,其特征在于,包括:步骤1:收集现有图像字幕数据集,构造图像-文本对;收集现有视频字幕数据集,构造帧图像序列-文本对;步骤2:搭建多模态大语言模型框架,并通过DeepSpeed工具进行分布式训练,利用图像-文本对和帧图像序列-文本对微调多模态大语言模型;步骤3:收集现有密集视频数据集,对密集视频进行均匀采样得到帧图像序列,对密集视频的事件进行填充和截断;步骤4:构造模型输入范式,包括事件查询前缀、帧图像序列特征和文本序列特征,对步骤2微调后的多模态大语言模型有监督微调实现密集视频检测。
全文数据:
权利要求:
百度查询: 东北大学 一种基于大规模语言模型的密集视频检测方法
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。