[发明专利]一种视频分类方法、装置及计算机可读存储介质

权利要求书

1.一种视频分类方法，其特征在于，包括：

获取包括多个标记有分类标签的视频样本的原始训练样本集；

在空间维度上对原始训练样本集中的视频样本进行随机裁剪处理，再在时间维度上对原始训练样本集中的视频样本进行随机裁剪处理；

从随机裁剪处理后得到的所述原始训练样本集内，选取视频样本组合以及对应的所述分类标签进行加权融合，得到增广训练样本集；其中，所述增广训练样本集的样本规模大于所述原始训练样本集；

将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型；

基于所述视频分类模型对待分类视频进行分类。

2.根据权利要求1所述的视频分类方法，其特征在于，所述从所述原始训练样本集内，选取视频样本组合以及对应的所述分类标签进行加权融合，得到增广训练样本集包括：

从所述原始训练样本集内随机选取两个视频样本；

按照预设的加权融合公式对所述两个视频样本以及对应的所述分类标签进行加权融合，得到对应标记有分类标签的增广视频样本；所述加权融合公式表示为：

其中，x1、x2分别表示所述两个视频样本，y1、y2分别表示对应于所述两个视频样本的分类标签，x表示所述增广视频样本，y表示对应于所述增广视频样本的分类标签，β表示服从预设参数的beta分布；

基于所有所述增广视频样本，得到增广训练样本集。

3.根据权利要求1所述的视频分类方法，其特征在于，所述将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型包括：

将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到本次迭代训练实际输出的预测分类标签向量；

采用预设的损失函数，将对应于所述增广训练样本集的分类标签向量与所述预测分类标签向量进行比对；

在比对结果满足预设的模型收敛条件时，将所述本次迭代训练所得到的网络模型确定为训练完成的视频分类模型。

4.根据权利要求1所述的视频分类方法，其特征在于，所述将所述增广训练样本集中的视频样本输入至神经网络进行训练，得到视频分类模型之后，还包括：

获取包括多个标记有分类标签的视频样本的测试样本集；

将所述测试样本集中的视频样本输入至所述视频分类模型，得到测试分类标签向量；

将所述测试分类标签向量与所述测试样本集所标记的分类标签向量进行相关度计算；

在所述相关度大于预设相关度阈值时，确定所述视频分类模型有效，然后执行所述基于所述视频分类模型对待分类视频进行分类的步骤。

5.根据权利要求1至4中任意一项所述的视频分类方法，其特征在于，所述基于所述视频分类模型对待分类视频进行分类包括：

对待分类视频进行预处理，得到多个视频片段；

将所述多个视频片段输入至所述视频分类模型，得到多个预测分类标签向量；

基于所述多个预测分类标签向量中，分类标签最大值大于预设阈值的预测分类标签向量，确定所述待分类视频的分类。

6.根据权利要求5所述的视频分类方法，其特征在于，所述对待分类视频进行预处理，得到多个视频片段包括：

按照预设的采样频率对所述待分类视频进行均匀采样；

将采样后的所述待分类视频按照预设的视频片段长度进行等分，得到多个视频片段。

7.根据权利要求6所述的视频分类方法，其特征在于，所述按照预设的采样频率对所述待分类视频进行均匀采样之前，包括：

获取对应于所述待分类视频的分类运算允许耗时；

根据所述分类运算允许耗时确定所述采样频率。