一种基于音视频多模态时序预测的视频数据特征提取方法

作者：陈雁翔; 赵鹏铖; 朱玉鹏; 盛振涛

来源：2021-03-12, 中国, ZL202110268187.3.

本发明公开了一种基于音视频多模态时序预测的视频数据特征提取方法,包括：1利用视频采集装置获取视频数据集,构建音视频双流数据对；2对视频流中每个视频帧,音频流中每个音频片段,采用一系列各自模态下的数据增强操作,并将一维音频转为二维频谱图；3构建音视频多模态预测模型,包括视频流特征提取网络单元、音频流特征提取网络单元、时序信息聚合网络单元、多模态交互预测网络单元；4根据多模态交互预测得到的不确定特征,计算音视频多模态预测总损失并优化网络。本发明能利用视频自身时序性,结合音视频双流之间交互,自监督式有效挖掘视频有用信息,从而提高特征提取的有效性,并有助于视频理解、声源定位、异常检测等实际下游任务。

• 单位
  合肥工业大学