申请/专利权人：贵州大学

申请日：2024-01-22

公开（公告）日：2024-04-30

公开（公告）号：CN117953405A

主分类号：G06V20/40

分类号：G06V20/40;G06V10/764;G06V10/774;G06F18/25;G06V10/82;G06F18/213;G06F18/22;G06F18/27;G06N3/045;G06N3/0499;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明提出了融合跨模态注意力和关注模态内信息的视听零次学习方法，包括：获取原视频数据集，并将其分为训练集和测试集；从训练集中提取音频、视频、文本数据和文本标签；将音频和视频数据输入特征提取器，获取特征并进行编码；将编码后的音频和视频特征拼接，生成视听输入；将音频、视频、视听输入和文本数据输入多模态融合变压器，学习模态内信息；将多模态融合变压器的输出和文本标签映射到多模态联合嵌入空间，实现多模态学习；建立视听广义零次学习模型，用测试集进行测试，并优化训练；基于多模态联合嵌入空间的输出，利用视听广义零次学习模型预测视频分类，获得结果；多模态融合变压器能有效地融合多种模态信息，提高视听广义零次学习模型的性能。

主权项：1.融合跨模态注意力和关注模态内信息的视听零次学习方法，其特征在于，包括：S100、获取原视频数据集，并将所述原视频数据集按比例分为训练集、验证集和测试集；S200、获取所述训练集中原始视频数据的音频数据、视频数据、文本数据和文本标签；S300、将所述音频数据和视频数据分别输入到特征提取器中，获取音频特征和视频特征，并将所述音频特征和视频特征进行编码，将编码后的所述音频特征和视频特征进行拼接，生成视听输入；S400、将编码后的所述音频特征、视频特征、视听输入和文本数据输入至多模态融合变压器中进行模态内信息和模态间关联性的学习；S500、将所述多模态融合变压器的输出和所述文本标签映射至多模态联合嵌入空间内，利用所述多模态联合嵌入空间实现多模态学习，使一个模态的信息能够助力另一个模态的学习过程；S600、建立视听广义零次学习模型，利用所述验证集对所述视听广义零次学习模型进行验证，利用所述测试集对视听广义零次学习模型进行测试，并利用损失函数对所述视听广义零次学习模型的训练进行优化；S700、利用所述视听广义零次学习模型对训练时未出现过的视频数据进行预测分类，实现已知类到未知类的知识迁移。

全文数据：

权利要求：

百度查询： 贵州大学 融合跨模态注意力和关注模态内信息的视听零次学习方法

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