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。

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