本申请实施例涉及计算机技术领域，尤其涉及用于生成模型的方法和装置。
背景技术
目前，通过拍摄视频实现信息分享已经成为人们生活中重要的信息分享模式。实践中，有不少用户为了将其他用户拍摄获得的视频作为其个人拍摄获得的视频，会对其他用户拍摄获得的视频进行录制。
可以理解的是，录制其他用户的视频往往会带来侵权、有损公平性等不良影响，因此，用于进行信息分享的平台可以对该类视频进行识别，进而对其进行拦截。
技术实现要素：
本申请实施例提出了用于生成模型的方法和装置，以及用于识别视频的方法和装置。
第一方面，本申请实施例提供了一种用于生成模型的方法，该方法包括：获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频；对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型；基于所得到的初始视频识别模型，生成视频识别模型。
在一些实施例中，对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，包括：从预设数量个训练样本组中选取训练样本组作为候选训练样本组，以及基于候选训练样本组和初始模型，执行以下训练步骤：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型；确定预设数量个训练样本组中是否存在未被选取的训练样本组；响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在一些实施例中，对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，还包括：响应于确定存在未被选取的训练样本组，从未被选取的训练样本组中选取训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行训练步骤。
在一些实施例中，对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，包括：确定用于表征预设数量个训练样本组的优劣程度的数值；基于所确定的数值，从预设数量个训练样本组中选取最优的训练样本组作为候选训练样本组，以及基于候选训练样本组和初始模型，执行以下训练步骤：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型；确定预设数量个训练样本组中是否存在未被选取的训练样本组；响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在一些实施例中，对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，还包括：响应于确定存在未被选取的训练样本组，基于所确定的数值，从未被选取的训练样本组中选取最优的训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行训练步骤。
在一些实施例中，确定用于表征预设数量个训练样本组的优劣程度的数值，包括：获取预先设置的验证样本集合，其中，验证样本包括验证用视频和针对验证用视频预先标注的验证用识别结果；对于预设数量个训练样本组中的训练样本组，执行以下步骤：将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为输出，利用机器学习方法训练得到该组训练样本所对应的待验证视频识别模型；将验证样本集合中的验证样本的验证用视频输入该组训练样本所对应的待验证视频识别模型，获得实际识别结果，确定实际识别结果相对于所输入的验证用视频所对应的验证用识别结果的损失值，基于所确定的损失值，生成用于表征该组训练样本组的优劣程度的数值。
在一些实施例中，基于所得到的初始视频识别模型，生成视频识别模型，包括：基于所确定的数值，为所获得的初始视频识别模型分配权重；基于所分配的权重，对所获得的初始视频识别模型进行融合，生成视频识别模型。
在一些实施例中，基于所得到的初始视频识别模型，生成视频识别模型，包括：将最后一次获得的初始视频识别模型确定为视频识别模型。
第二方面，本申请实施例提供了一种用于生成模型的装置，该装置包括：样本获取单元，被配置成获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频；模型训练单元，被配置成对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型；模型生成单元，被配置成基于所得到的初始视频识别模型，生成视频识别模型。
在一些实施例中，模型训练单元包括：第一执行模块，被配置成从预设数量个训练样本组中选取训练样本组作为候选训练样本组，以及基于候选训练样本组和初始模型，执行以下训练步骤：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型；确定预设数量个训练样本组中是否存在未被选取的训练样本组；响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在一些实施例中，模型训练单元还包括：第二执行模块，被配置成响应于确定存在未被选取的训练样本组，从未被选取的训练样本组中选取训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行训练步骤。
在一些实施例中，模型训练单元包括：数值确定模块，被配置成确定用于表征预设数量个训练样本组的优劣程度的数值；第三执行模块，被配置成基于所确定的数值，从预设数量个训练样本组中选取最优的训练样本组作为候选训练样本组，以及基于候选训练样本组和初始模型，执行以下训练步骤：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型；确定预设数量个训练样本组中是否存在未被选取的训练样本组；响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在一些实施例中，模型训练单元还包括：第四执行模块，被配置成响应于确定存在未被选取的训练样本组，基于所确定的数值，从未被选取的训练样本组中选取最优的训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行训练步骤。
在一些实施例中，数值确定模块包括：样本获取模块，被配置成获取预先设置的验证样本集合，其中，验证样本包括验证用视频和针对验证用视频预先标注的验证用识别结果；数值生成模块，被配置成对于预设数量个训练样本组中的训练样本组，执行以下步骤：将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为输出，利用机器学习方法训练得到该组训练样本所对应的待验证视频识别模型；将验证样本集合中的验证样本的验证用视频输入该组训练样本所对应的待验证视频识别模型，获得实际识别结果，确定实际识别结果相对于所输入的验证用视频所对应的验证用识别结果的损失值，基于所确定的损失值，生成用于表征该组训练样本组的优劣程度的数值。
在一些实施例中，模型生成单元包括：权重分配模块，被配置成基于所确定的数值，为所获得的初始视频识别模型分配权重；模型融合模块，被配置成基于所分配的权重，对所获得的初始视频识别模型进行融合，生成视频识别模型。
第三方面，本申请实施例提供了一种用于识别视频的方法，该方法包括：获取待识别视频，其中，待识别视频为对对象进行拍摄所获得的视频；将待识别视频输入采用如上述第一方面中任一实施例所描述的方法生成的视频识别模型中，生成待识别视频所对应的识别结果，其中，识别结果用于指示待识别视频是否为对显示对象的屏幕进行拍摄所获得的视频。
第四方面，本申请实施例提供了一种用于识别视频的装置，该装置包括：视频获取单元，被配置成获取待识别视频，其中，待识别视频为对对象进行拍摄所获得的视频；结果生成单元，被配置成将待识别视频输入采用如上述第一方面中任一实施例所描述的方法生成的视频识别模型中，生成待识别视频所对应的识别结果，其中，识别结果用于指示待识别视频是否为对显示对象的屏幕进行拍摄所获得的视频。
第五方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面和第三方面中任一实施例所描述的方法。
第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面和第三方面中任一实施例所描述的方法。
本申请实施例提供的用于生成模型的方法和装置，通过获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频，而后对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，最后基于所得到的初始视频识别模型，生成视频识别模型，从而能够得到一种可以用于识别视频的模型，且有助于丰富模型的生成方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成模型的方法的一个实施例的流程图；
图3是根据本申请的用于生成模型的方法的一个应用场景的示意图；
图4是根据本申请的用于生成模型的方法的又一个实施例的流程图；
图5是根据本申请的用于生成模型的装置的一个实施例的结构示意图；
图6是根据本申请用于识别视频的方法的一个实施例的流程图；
图7是根据本申请用于识别视频的装置的一个实施例的结构示意图；
图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成模型的方法、用于生成模型的装置、用于识别视频的方法或用于识别视频的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、视频识别类应用、社交类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时，其上还可以安装有视频采集设备。视频采集设备可以是各种能实现采集视频功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的视频采集设备来采集视频。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集合。样本集合中包含有大量的样本。其中，样本可以包括样本视频以及针对样本视频预先标注的样本识别结果。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集合中选取样本。
服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集合中的样本，对初始模型进行训练，并可以将训练结果(如生成的视频识别模型)发送给终端101、102。这样，用户可以应用生成的视频识别模型进行视频识别。
这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于生成模型的方法或用于识别视频的方法一般由服务器105执行。相应地，用于生成模型的装置或用于识别视频的装置一般也设置于服务器105中。
需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。
应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。
继续参考图2，示出了根据本申请的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法，包括以下步骤：
步骤201，获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组。
在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从数据库服务器(例如图1所示的数据库服务器104)或者终端(例如图1所示的终端101、102)获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组。其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果。样本视频可以为对样本对象进行拍摄所获得的视频。样本对象可以为各种事物，例如人物、动物等物体，或者跑步、游泳等行为。
在本实施例中，样本识别结果可以包括但不限于以下至少一项：文字、数字、符号。样本识别结果可以用于指示样本视频是否为对显示上述样本对象的屏幕进行拍摄所获得的视频。例如，样本识别结果可以包括数字1和数字0，其中，数字1可以用于指示样本视频为对显示上述样本对象的屏幕进行拍摄所获得的视频；数字0可以用于指示样本视频不是对显示上述样本对象的屏幕进行拍摄所获得的视频。
在本实施例中，上述执行主体可以采用各种方式将训练样本集合划分成预设数量个训练样本组。例如，上述执行主体可以采用等分的方式将训练样本集合划分成预设数量个训练样本组，也可以对训练样本集合进行划分，使得预设数量个训练样本组中的每个训练样本组所包括的训练样本的数量值大于等于预设阈值。需要说明的是，上述预设数量可以由技术人员预先设置。
步骤202，对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型。
在本实施例中，对于步骤201中得到的预设数量个训练样本组中的训练样本组，上述执行主体可以将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型。其中，初始视频识别模型是利用训练样本组中的训练样本训练得到的模型，可以用于确定最终的视频识别模型。
作为示例，针对预设数量个训练样本组中的各个训练样本组，均可以利用预先设置的初始模型(例如卷积神经网络(convolutionalneuralnetwork，cnn)、残差网络(resnet)等)进行训练，最终获得与训练样本组相对应的预设数量个初始视频识别模型。具体的，对于预设数量个训练样本组中的每个训练样本组，上述执行主体可以将该组训练样本中的训练样本的样本视频输入初始模型，得到所输入的样本视频所对应的识别结果，然后以所输入的样本视频所对应的样本识别结果作为初始模型的期望输出，利用机器学习方法训练初始模型，并将训练后的初始模型确定为初始视频识别模型。
在本实施例的一些可选的实现方式中，上述执行主体可以基于预设数量个训练样本组，通过如下步骤获得预设数量个初始视频识别模型：
步骤2021，从预设数量个训练样本组中选取训练样本组作为候选训练样本组。
在本实施例中，上述执行主体可以从步骤201中获得的预设数量个训练样本组中选取训练样本组作为候选训练样本组，以及执行步骤2022至步骤2024的训练步骤。其中，训练样本组的选取方式在本申请中并不限制。例如可以是随机选取，也可以是优先选取训练样本较多的训练样本组。
步骤2022：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型。
具体的，上述执行主体可以通过如下步骤获得候选训练样本组所对应的初始视频识别模型：
上述执行主体可以从候选训练样本组中的选取训练样本，并执行以下步骤：将所选取训练样本的样本视频输入初始模型，获得识别结果；将所输入的样本视频所对应的样本识别结果作为初始模型的期望输出，基于所获得的识别结果和样本识别结果，调整初始模型的参数；确定候选训练样本组中是否存在未被选取的训练样本；响应于不存在未被选取的训练样本，将调整后的初始模型确定为候选训练样本组所对应的初始视频识别模型。需要说明的是，训练样本的选取方式在本申请中并不限制。例如可以是随机选取，也可以是优先选取样本视频的清晰度较好的训练样本。
步骤2023：确定预设数量个训练样本组中是否存在未被选取的训练样本组。
步骤2024：响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
可以理解的是，当预设数量个训练样本组中不存在未被选取的训练样本组时，即针对预设数量个训练样本组中各个训练样本组，均训练生成了相应的初始视频识别模型，故上述执行主体可以响应于确定预设数量个训练样本组中不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
可选的，上述执行主体还可以响应于确定存在未被选取的训练样本组，从未被选取的训练样本组中选取训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行上述训练步骤2022-2024。
在该实现方式中，上述执行主体可以将通过优先选取的训练样本组训练获得的初始视频识别模型作为随后选取的训练样本组所对应的初始模型，以此，可以有效地利用样本数据，生成更为准确的初始视频识别模型。
步骤203，基于所得到的初始视频识别模型，生成视频识别模型。
在本实施例中，基于步骤202所得到的初始视频识别模型，上述执行主体可以生成视频识别模型。
具体的，上述执行主体可以从所得到的初始视频识别模型中选取一个初始视频识别模型作为视频识别模型，或者对所得到的初始视频识别模型进行处理，获得视频识别模型。
作为示例，上述执行主体可以基于所得到的初始视频识别模型的数量，为各个初始视频识别模型分配相同的权重，进而，基于所分配的权重，对所得到的初始视频识别模型进行融合，获得视频识别模型。
例如，所得到的初始视频识别模型包括：“y＝ax+b”；“y＝cx+d”。其中，x为自变量，可以用于表征模型的输入；y为因变量，可以用于表征模型的输出；a和b为第一个初始视频识别模型的系数；c和d为第二个初始视频识别模型的系数。在这里，由于得到了两个初始视频识别模型，故可以确定为各个初始视频识别模型分配的权重为0.5(0.5＝1÷2)，进而可以对基于所分配的权重，对模型“y＝ax+b”和模型“y＝cx+d”进行融合，获得视频识别模型“y＝0.5x(a+c)+0.5(b+d)”(y＝0.5*(ax+b)+0.5*(cx+d))。
在本实施例的一些可选的实现方式中，基于上述可选实现方式中的步骤2021-2024所得到的初始视频识别模型，上述执行主体可以直接将最后一次获得的初始视频识别模型确定为视频识别模型。
继续参见图3，图3是根据本实施例的模型生成的方法的应用场景的一个示意图。在图3的应用场景中，用户所使用的终端301上可以安装有模型训练类应用。当用户打开该应用，并上传训练样本集合或训练样本集合的存储路径后，对该应用提供后台支持的服务器302可以运行用于生成模型的方法，包括：
首先，可以获取训练样本集合303以及将训练样本集合303划分成两个(预设数量个)训练样本组304、305，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频。
然后，对于训练样本组304，上述执行主体可以将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型306；对于训练样本组305，上述执行主体可以将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型307。
最后，上述执行主体可以基于所得到的初始视频识别模型306和初始视频识别模型307，生成视频识别模型308。
此时，服务器302还可以向终端301发送用于指示模型训练完成的提示信息。该提示信息可以是语音和/或文字信息。这样，用户可以在预设的存储位置获取到视频识别模型。
本申请的上述实施例提供的方法通过获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，而后对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，最后基于所得到的初始视频识别模型，生成视频识别模型，从而能够得到一种可以用于识别视频的模型，且有助于丰富模型的生成方式。
进一步参考图4，其示出了用于生成模型的方法的又一个实施例的流程400。该用于生成模型的方法的流程400，包括以下步骤：
步骤401，获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组。
在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从数据库服务器(例如图1所示的数据库服务器104)或者终端(例如图1所示的终端101、102)获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组。
需要说明的是，步骤401可以采用与前述实施例中的步骤201类似的方式实现。相应地，上文针对步骤201的描述也适可用于本实施例的步骤401，此处不再赘述。
步骤402，确定用于表征预设数量个训练样本组的优劣程度的数值。
在本实施例中，对于步骤401中得到的预设数量个训练样本组，上述执行主体可以确定用于表征预设数量个训练样本组的优劣程度的数值。具体的，上述执行主体可以采用各种方式确定用于表征预设数量个训练样本组的优劣程度的数值，例如，上述执行主体可以确定各个训练样本组包括的训练样本的数量，将所确定的数量的数量值确定为用于表征预设数量个训练样本组的优劣程度的数值。在这里，可以理解的是，训练样本组所包括的训练样本越多，对初始模型的参数调整次数则可能越多，进而训练得到的初始识别模型则可能更为准确，故上述执行主体可以根据训练样本组所包括的训练样本的数量，确定用于表征预设数量个训练样本组的优劣程度的数值。
需要说明的是，在这里，数值的大小与优劣程度的对应关系可以由技术人员预先设置。具体的，可以将对应关系设置为数值越大，训练样本组越优；也可以设置为数值越小，训练样本组越优。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下步骤确定用于表征预设数量个训练样本组的优劣程度的数值：
首先，上述执行主体可以获取预先设置的验证样本集合，其中，验证样本包括验证用视频和针对验证用视频预先标注的验证用识别结果。
然后，对于预设数量个训练样本组中的训练样本组，上述执行主体可以执行以下步骤：将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为输出，利用机器学习方法训练得到该组训练样本所对应的待验证视频识别模型；将验证样本集合中的验证样本的验证用视频输入该组训练样本所对应的待验证视频识别模型，获得实际识别结果，确定实际识别结果相对于所输入的验证用视频所对应的验证用识别结果的损失值，基于所确定的损失值，生成用于表征该组训练样本组的优劣程度的数值。
其中，损失值可以用于表征实际输出与期望输出之间的差异。可以理解的是，上述差异越小，则训练得到的待验证视频识别模型则越准确，进而，所利用的训练样本组则越优。故基于上述损失值与训练样本组的优劣程度的关系，上述执行主体可以采用各种方式基于所确定的损失值，生成用于表征训练样本组的优劣程度的数值。例如，可以直接将损失值确定为用于表征训练样本组的优劣程度的数值，此时，用于表征训练样本组的优劣程度的数值越小，训练样本组越优；也可以将损失值的倒数确定为用于表征训练样本组的优劣程度的数值，此时，用于表征训练样本组的优劣程度的数值越大，训练样本组越优。
在这里，需要说明的是，上述执行主体可以采用预设的各种损失函数计算所获得的实际识别结果相对于所输入的验证用视频所对应的验证用识别结果的损失值，例如，可以采用l2范数作为损失函数计算损失值。
步骤403，基于所确定的数值，从预设数量个训练样本组中选取最优的训练样本组作为候选训练样本组。
在本实施例中，上述执行主体可以基于步骤402确定的数值，从步骤401中获得的预设数量个训练样本组中选取最优的训练样本组作为候选训练样本组，以及执行步骤404至步骤406的训练步骤。
需要说明的是，本实施例的具体实现在于从预设数量个训练样本组中选取最优的训练样本组作为候选训练样本组，故当用于表征训练样本组的优劣程度的数值越大，训练样本组越优时，上述执行主体可以从预设数量个训练样本组中选取所确定的、最大的数值所对应的训练样本组作为候选训练样本组；当用于表征训练样本组的优劣程度的数值越小，训练样本组越优时，上述执行主体可以从预设数量个训练样本组中选取所确定的、最小的数值所对应的训练样本组作为候选训练样本组。
步骤404，将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型。
具体的，上述执行主体可以通过如下步骤获得候选训练样本组所对应的初始视频识别模型：
上述执行主体可以从候选训练样本组中的选取训练样本，并执行以下步骤：将所选取训练样本的样本视频输入初始模型，获得识别结果；将所输入的样本视频所对应的样本识别结果作为初始模型的期望输出，基于所获得的识别结果和样本识别结果，调整初始模型的参数；确定候选训练样本组中是否存在未被选取的训练样本；响应于不存在未被选取的训练样本，将调整后的初始模型确定为候选训练样本组所对应的初始视频识别模型。需要说明的是，训练样本的选取方式在本申请中并不限制。例如可以是随机选取，也可以是优先选取样本视频的清晰度较好的训练样本。
步骤405，确定预设数量个训练样本组中是否存在未被选取的训练样本组。
步骤406，响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
可以理解的是，当预设数量个训练样本组中不存在未被选取的训练样本组时，即针对预设数量个训练样本组中各个训练样本组，均训练生成了相应的初始视频识别模型，故上述执行主体可以响应于确定预设数量个训练样本组中不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在本实施例的一些可选的实现方式中，上述执行主体还可以响应于确定存在未被选取的训练样本组，基于所确定的数值，从未被选取的训练样本组中选取最优的训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行上述训练步骤404-406。
步骤407，基于所得到的初始视频识别模型，生成视频识别模型。
在本实施例中，基于步骤406所得到的初始视频识别模型，上述执行主体可以生成视频识别模型。
具体的，上述执行主体可以从所得到的初始识别模型中选取一个初始视频识别模型作为视频识别模型，或者对所得到的初始视频识别模型进行处理，获得视频识别模型。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下步骤生成视频识别模型：首先，上述执行主体可以基于步骤402中确定的数值，为所获得的初始视频识别模型分配权重。然后，上述执行主体可以基于所分配的权重，对所获得的初始视频识别模型进行融合，生成视频识别模型。具体的，上述执行主体可以基于所确定的数值，确定各个训练样本组的优劣程度，进而通过各种方式为所获得的初始视频识别模型分配权重，以使较优的训练样本组所对应的初始视频识别模型所对应的权重较大，较劣的训练样本组所对应的初始视频识别模型所对应的权重较小。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成模型的方法的流程400突出了确定用于表征预设数量个训练样本组的优劣程度的数值，进而基于所确定的数值，从预设数量个训练样本组中选取训练样本组进行训练的步骤。由此，本实施例描述的方案可以首先利用较优的训练样本组进行训练，获得较准确的初始视频识别模型，从而后续的训练可以在此基础上对初始视频识别模型进行较小的调整，提高了模型生成的效率。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于生成模型的装置500包括：样本获取单元501、模型训练单元502和模型生成单元503。其中，样本获取单元501被配置成获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频；模型训练单元502被配置成对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型；模型生成单元503被配置成基于所得到的初始视频识别模型，生成视频识别模型。
在本实施例中，用于生成模型的装置500的样本获取单元501可以通过有线连接方式或者无线连接方式从数据库服务器(例如图1所示的数据库服务器104)或者终端(例如图1所示的终端101、102)获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组。其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果。样本视频可以为对样本对象进行拍摄所获得的视频。样本对象可以为各种事物。
在本实施例中，样本识别结果可以包括但不限于以下至少一项：文字、数字、符号。样本识别结果可以用于指示样本视频是否为对显示上述样本对象的屏幕进行拍摄所获得的视频。
在本实施例中，样本获取单元501可以采用各种方式将训练样本集合划分成预设数量个训练样本组。需要说明的是，上述预设数量可以由技术人员预先设置。
在本实施例中，对于样本获取单元501中得到的预设数量个训练样本组中的训练样本组，模型训练单元502可以将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型。其中，初始视频识别模型是利用训练样本组中的训练样本训练得到的模型，可以用于确定最终的视频识别模型。
在本实施例中，基于模型训练单元502所得到的初始视频识别模型，模型生成单元503可以生成视频识别模型。
具体的，上述执行主体可以从所得到的初始视频识别模型中选取一个初始视频识别模型作为视频识别模型，或者对所得到的初始视频识别模型进行处理，获得视频识别模型。
在本实施例的一些可选的实现方式中，模型训练单元502可以包括：第一执行模块(图中未示出)，被配置成从预设数量个训练样本组中选取训练样本组作为候选训练样本组，以及基于候选训练样本组和初始模型，执行以下训练步骤：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型；确定预设数量个训练样本组中是否存在未被选取的训练样本组；响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在本实施例的一些可选的实现方式中，模型训练单元502还可以包括：第二执行模块(图中未示出)，被配置成响应于确定存在未被选取的训练样本组，从未被选取的训练样本组中选取训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行训练步骤。
在本实施例的一些可选的实现方式中，模型训练单元502可以包括：数值确定模块(图中未示出)，被配置成确定用于表征预设数量个训练样本组的优劣程度的数值；第三执行模块(图中未示出)，被配置成基于所确定的数值，从预设数量个训练样本组中选取最优的训练样本组作为候选训练样本组，以及基于候选训练样本组和初始模型，执行以下训练步骤：将候选训练样本组中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法对初始模型进行训练，获得初始视频识别模型；确定预设数量个训练样本组中是否存在未被选取的训练样本组；响应于确定不存在未被选取的训练样本组，获得预设数量个初始视频识别模型。
在本实施例的一些可选的实现方式中，模型训练单元502还可以包括：第四执行模块(图中未示出)，被配置成响应于确定存在未被选取的训练样本组，基于所确定的数值，从未被选取的训练样本组中选取最优的训练样本组作为新的候选训练样本组，将最近一次获得的初始视频识别模型作为新的初始模型，继续执行训练步骤。
在本实施例的一些可选的实现方式中，数值确定模块(图中未示出)可以包括：样本获取模块(图中未示出)，被配置成获取预先设置的验证样本集合，其中，验证样本包括验证用视频和针对验证用视频预先标注的验证用识别结果；数值生成模块(图中未示出)，被配置成对于预设数量个训练样本组中的训练样本组，执行以下步骤：将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为输出，利用机器学习方法训练得到该组训练样本所对应的待验证视频识别模型；将验证样本集合中的验证样本的验证用视频输入该组训练样本所对应的待验证视频识别模型，获得实际识别结果，确定实际识别结果相对于所输入的验证用视频所对应的验证用识别结果的损失值，基于所确定的损失值，生成用于表征该组训练样本组的优劣程度的数值。
在本实施例的一些可选的实现方式中，模型生成单元503可以包括：权重分配模块(图中未示出)，被配置成基于所确定的数值，为所获得的初始视频识别模型分配权重；模型融合模块(图中未示出)，被配置成基于所分配的权重，对所获得的初始视频识别模型进行融合，生成视频识别模型。
在本实施例的一些可选的实现方式中，模型生成单元503可以进一步被配置成：将最后一次获得的初始视频识别模型确定为视频识别模型。
本申请的上述实施例提供的装置500通过样本获取单元501获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频，而后对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，模型训练单元502将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型，最后模型生成单元503基于所得到的初始视频识别模型，生成视频识别模型，从而能够得到一种可以用于识别视频的模型，且有助于丰富模型的生成方式。
请参见图6，其示出了本申请提供的用于识别视频的方法的一个实施例的流程600。该用于识别视频的方法可以包括以下步骤：
步骤601，获取待识别视频。
在本实施例中，用于识别视频的方法的执行主体(例如图1所示的服务器105)可以通过有线的连接方式或者无线的连接方式获取带识别视频。例如，上述执行主体可以从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的视频，也可以接收终端(例如图1所示的终端101、102)或其他设备采集的视频。
在本实施例中，待识别视频可以为对对象进行拍摄所获得的视频。对象可以为各种事物，例如人物、动物等物体，或者跑步、游泳等行为。
步骤602，将待识别视频输入视频识别模型中，生成待识别视频所对应的识别结果。
在本实施例中，上述执行主体可以将步骤601中获取的待识别视频输入视频模型中，从而生成待识别视频所对应的识别结果。其中，识别结果可以用于指示待识别视频是否为对显示上述对象的屏幕进行拍摄所获得的视频。
在本实施例中，视频识别模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。
需要说明的是，本实施例用于识别视频的方法可以用于测试上述各实施例所生成的视频识别模型。进而根据测试结果可以不断地优化视频识别模型。该方法也可以是上述各实施例所生成的视频识别模型的实际应用方法。采用上述各实施例所生成的视频识别模型来进行视频识别，可以实现对通过录制屏幕获得的视频的检测，且有助于提高视频识别的准确性。
继续参见图7，作为对上述图6所示方法的实现，本申请提供了一种用于识别视频的装置的一个实施例。该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的用于识别视频的装置700可以包括：视频获取单元701和结果生成单元702。其中，视频获取单元701被配置成获取待识别视频，其中，待识别视频为对对象进行拍摄所获得的视频；结果生成单元702被配置成将待识别视频输入采用如上述图2实施例所描述的方法生成的模型中，生成待识别视频所对应的识别结果，其中，识别结果用于指示待识别视频是否为对显示对象的屏幕进行拍摄所获得的视频。
可以理解的是，该装置700中记载的诸单元与参考图6描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。
下面参见图8，其示出了适于用来实现本申请实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
以下部件连接至i/o接口805：包括触摸屏、键盘、鼠标、摄像装置等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括样本获取单元、模型训练单元和模型生成单元。再例如，也可以描述为：一种处理器包括获取单元、训练单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，样本获取单元还可以被描述为“获取训练样本集合的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本视频为对样本对象进行拍摄所获得的视频，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频；对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型；基于所得到的初始视频识别模型，生成视频识别模型。
此外，当上述一个或者多个程序被该电子设备执行时，还可以使得该电子设备：获取待识别视频，其中，待识别视频为对对象进行拍摄所获得的视频；将待识别视频输入视频识别模型中，生成待识别视频所对应的识别结果，其中，识别结果用于指示待识别视频是否为对显示对象的屏幕进行拍摄所获得的视频。视频识别模型可以是采用如上述各实施例所描述的用于生成模型的方法而生成的。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。