视频分类方法、装置、可读介质及电子设备与流程

1.本公开涉及视频技术领域，具体地，涉及一种视频分类方法、装置、可读介质及电子设备。


背景技术：

2.视频内容识别在众多场景有丰富的应用，在大多数场景中，为了保证策略和推荐的准确性，往往需要通过设定阈值的方式来保证分类模型具有较高的准确率，这样，根据设定的阈值有可能导致一定程度的模型的召回率的降低，使得对视频进行分类的效率较低。


技术实现要素：

3.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种视频分类方法，所述方法包括：
5.通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度；
6.在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征；
7.通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据；
8.在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。
9.第二方面，本公开提供一种视频分类装置，所述装置包括：
10.第一获取模块，用于通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度；
11.第二获取模块，用于在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征；
12.第三获取模块，用于通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据；
13.第一确定模块，用于在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。
14.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处
理装置执行时实现第一方面所述方法的步骤。
15.第四方面，本公开提供一种电子设备，包括：
16.存储装置，其上存储有计算机程序；
17.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
18.通过上述技术方案，在通过常规的视频分类模型无法直接实现对目标视频的召回打标的情况下，还能够通过该特征检索库来检索该目标视频所属的分类标签，这样不仅能保证视频分类的准确率，而且还能提高对目标视频成功进行分类的数量，也即在保证视频分类准确率的情况下还提高了该视频分类算法的召回率。
19.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
21.图1是根据本公开一示例性实施例示出的一种视频分类方法的流程图。
22.图2是根据本公开又一示例性实施例示出的一种视频分类方法的流程图。
23.图3是根据本公开又一示例性实施例示出的一种视频分类方法的流程图。
24.图4是根据本公开一示例性实施例示出的一种视频分类装置的结构框图。
25.图5是根据本公开又一示例性实施例示出的一种视频分类装置的结构框图。
26.图6示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
27.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
28.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
29.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
30.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
31.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
32.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性
的目的，而并不是用于对这些消息或信息的范围进行限制。
33.图1是根据本公开一示例性实施例示出的一种视频分类方法的流程图。如图1所示，所述方法包括步骤101至步骤104。
34.在步骤101中，通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度。
35.该目标视频可以是任意形式的需要进行标签分类的视频。例如可以是短视频平台中用户所发布的短视频，也可以是其他视频平台中用户所发布的长视频。
36.该视频分类模型可以为用于对视频进行常规分类的机器学习模型，该视频分类模型所能够分类得到的标签可以包括例如搞笑、美食、时尚、旅游、亲子、汽车、游戏、音乐、科技等等常规的视频分类。该视频分类模型的训练方法则可以为通过人工标注的训练样本视频训练得到。本公开对该视频分类模型不进行限定，只要能实现对该目标视频的标签预测即可。
37.该第一预测标签对应的第一置信度也即根据该视频分类模型确定该目标视频属于该第一预测标签的概率。
38.在步骤102中，在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征。
39.该目标视频的目标视频特征可以是通过上述视频分类模型中的特征提取网络所提取得到，也可以是通过其他特征提取模型所提取得到。
40.该第一预设阈值可以根据该目标视频能够被召回打标的标准来进行设定。例如，在通过该视频分类模型得到的该第一置信度不小于该第一预设阈值的情况下，可以直接对该目标视频进行召回打标，确定该目标视频所属的视频分类标签，而在该第一置信度小于该第一预设阈值的情况下，认为该目标视频属于该第一预测标签的可能性较小，不会将该目标视频确定为属于该第一预测标签。
41.在步骤103中，通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据。
42.该特征检索库中的所包括的多个特征数据和各个特征数据对应的视频标签数据可以是通过对带标注的视频进行特征提取后所得到的，该带标注的视频可以是上述视频分类模型中的训练样本。也即，该特征检索库中所包括的每一个特征数据都是一个视频中提取得到的视频特征，而该特征数据对应的视频标签数据即为该特征数据对应的视频所属的分类标签。
43.在得到该目标视频的目标视频特征之后，能够在该特征检索库中检索得到一个与该目标视频特征对应的目标视频的分类最为接近的第二预测标签，该第二预测标签对应的第二置信度即可以为该目标视频属于该第二预测标签的可能性。
44.从该特征检索库中检索得到该第二预测标签和该第二置信度的方法可以为多种。例如，可以将该特征检索库中与该目标视频特征最为相似的特征数据所对应的视频标签数据，确定为与该目标视频特征所对应的该第二预测标签，而该目标视频特征与该最相似的特征数据之间的相似度即可作为该第二置信度。或者还能够通过该特征检索库中一部分与
该目标视频特征较为相似的特征数据来确定该第二预测标签和该第二置信度，具体方法可以如图2中的步骤201至步骤203所示。
45.在步骤104中，在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。
46.通过上述技术方案，在通过常规的视频分类模型无法直接实现对目标视频的召回打标的情况下，还能够通过该特征检索库来检索该目标视频所属的分类标签，这样不仅能保证视频分类的准确率，而且还能提高对目标视频成功进行分类的数量，也即在保证视频分类准确率的情况下还提高了该视频分类算法的召回率。
47.图2是根据本公开又一示例性实施例示出的一种视频分类方法的流程图。如图2所示，所述方法还包括步骤201至步骤203。
48.在步骤201中，在所述特征检索库中确定与所述目标视频特征的所述相似度最高的n个目标特征数据。
49.在步骤202中，按照所述相似度从高到低的排序，通过加权计算确定所述n个目标特征数据对应的每类视频标签数据的相似度得分，其中，所述n个目标特征数据对应的视频标签数据种类数量不大于n。
50.在步骤203中，将所述相似度得分最高的视频标签数据确定为所述目标视频的所述第二预测标签，并将第二预测标签对应的相似度得分确定为所述第二置信度。
51.n可以为任意正整数。例如，在n为10的情况下，确定该第二预测标签和该第二置信度的步骤可以为：从该特征检索库中确定与该目标视频特征相似度最高的10个目标特征数据，按照相似度从高到低的排序，可以确定每个目标特征数据对应的序号，而每个序号都对应一个权重，该权重也可以根据该相似度从高到底的顺序从大到小分布；10个目标特征数据所对应的视频标签数据可以相同也可以不相同，例如1、2、5号目标特征数据对应的视频标签数据可以都为标签1，而3、4、9、10号目标特征数据对应的视频标签数据可以都为标签2，最后剩下6、7、8号目标特征数据对应的视频标签数据可以都为标签3，则10个目标特征数据则对应了3类视频标签数据；在计算该3类视频标签数据时，例如，在计算该标签1所对应的相似度得分时，可以将1、2、5号目标特征数据对应的相似度分别按照各自的序号对应的权重进行加权计算，这样，就能够得到每一类视频标签数据所对应的的位移相似度得分；最后，将相似度得分最高的视频标签数据确定为所述目标视频的所述第二预测标签，并将第二预测标签对应的相似度得分确定为所述第二置信度即可。
52.通过上述技术方案，能够更加全面地利用特征检索库中已有的特征数据来确定该目标视频所对应的第二预测标签，从而使得该第二预测标签更加准确。
53.图3是根据本公开又一示例性实施例示出的一种视频分类方法的流程图。如图3所示，所述方法还包括步骤301。
54.在步骤301中，判断所述第一置信度是否小于该第一预设阈值，若是，则转至步骤102，若否则转至步骤302。
55.在步骤302中，将所述第一预测标签确定为所述目标视频的分类标签。也即，在该第一置信度不小于该第一预设阈值的情况下，直接通过上述视频分类模型即可直接确定该目标视频的分类标签。
56.在一种可能的实施方式中，如图3所示，所述方法还可以包括步骤303至步骤305。
57.在步骤303中，将所述目标视频的所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
58.在步骤304中，获取所述目标视频的所述目标视频特征。此处获取该目标视频特征的方法可以如步骤102中获取该目标视频特征的方法相同，也即，可以通过上述视频分类模型中的特征提取网络来提取得到该目标视频特征，也可以通过其他的特征提取模型来提取该目标视频特征。
59.在步骤305中，将所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
60.也即，无论是通过该特征检索库确定了该目标视频的分类标签，还是直接通过该视频分类模型确定了该目标视频的分类标签，都可以在确定了该目标视频的分类标签之后，将该目标视频也作为新增加的特征数据加入该特征检索库中，以对该特征检索库进行更新，从而保证后续视频分类的准确率和召回率。
61.图4是根据本公开一示例性实施例示出的一种视频分类装置的结构框图。如图4所示，所述装置包括：第一获取模块10，用于通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度；第二获取模块20，用于在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征；第三获取模块30，用于通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据；第一确定模块40，用于在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。
62.通过上述技术方案，在通过常规的视频分类模型无法直接实现对目标视频的召回打标的情况下，还能够通过该特征检索库来检索该目标视频所属的分类标签，这样不仅能保证视频分类的准确率，而且还能提高对目标视频成功进行分类的数量，也即在保证视频分类准确率的情况下还提高了该视频分类算法的召回率。
63.在一种可能的实施方式中，所述第三获取模块包括：检索子模块，用于在所述特征检索库中确定与所述目标视频特征的所述相似度最高的n个目标特征数据；计算子模块，用于按照所述相似度从高到低的排序，通过加权计算确定所述n个目标特征数据对应的每类视频标签数据的相似度得分，其中，所述n个目标特征数据对应的视频标签数据种类数量不大于n；确定子模块，用于将所述相似度得分最高的视频标签数据确定为所述目标视频的所述第二预测标签，并将第二预测标签对应的相似度得分确定为所述第二置信度。
64.图5是根据本公开又一示例性实施例示出的一种视频分类装置的结构框图。如图5所示，所述装置还包括：第一处理模块50，用于在所述第一确定模块40将所述第二预测标签确定为所述目标视频的分类标签后，将所述目标视频的所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
65.在一种可能的实施方式中，如图5所示，所述装置还包括：第二确定模块60，用于在所述第一置信度不小于所述第一预设阈值的情况下，将所述第一预测标签确定为所述目标视频的分类标签。
66.在一种可能的实施方式中，如图5所示，所述装置还包括：第四获取模块70，用于在所述第二确定模块60将所述第一预测标签确定为所述目标视频的分类标签后，获取所述目标视频的所述目标视频特征；第二处理模块80，用于将所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
67.下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
68.如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
69.通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
70.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，其包括承载在非暂态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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
71.需要说明的是，本公开上述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。在本公开中，计算机可读存储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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
72.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
73.上述计算机可读介质可以是上述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。
74.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：通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度；在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征；通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据；在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。。
75.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
76.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
77.描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度的模块”。
78.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
79.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
80.根据本公开的一个或多个实施例，示例1提供了一种视频分类方法，所述方法包括：通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度；在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征；通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据；在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。
81.根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度包括：在所述特征检索库中确定与所述目标视频特征的所述相似度最高的n个目标特征数据；按照所述相似度从高到低的排序，通过加权计算确定所述n个目标特征数据对应的每类视频标签数据的相似度得分，其中，所述n个目标特征数据对应的视频标签数据种类数量不大于n；将所述相似度得分最高的视频标签数据确定为所述目标视频的所述第二预测标签，并将第二预测标签对应的相似度得分确定为所述第二置信度。
82.根据本公开的一个或多个实施例，示例3提供了示例1的方法，在将所述第二预测标签确定为所述目标视频的分类标签后，所述方法还包括：将所述目标视频的所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
83.根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述方法还包括：在所述第一置信度不小于所述第一预设阈值的情况下，将所述第一预测标签确定为所述目标视频的分类标签。
84.根据本公开的一个或多个实施例，示例5提供了示例1的方法，在将所述第一预测标签确定为所述目标视频的分类标签后，所述方法还包括：获取所述目标视频的所述目标视频特征；将所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
85.根据本公开的一个或多个实施例，示例6提供了一种视频分类装置，所述装置包括：第一获取模块，用于通过视频分类模型获取目标视频的第一预测标签和所述第一预测标签对应的第一置信度；第二获取模块，用于在所述第一置信度小于第一预设阈值的情况下，获取所述目标视频的目标视频特征；第三获取模块，用于通过特征检索库中的各个特征数据与所述目标视频特征的相似度，确定所述目标视频的第二预测标签和所述第二预测标签对应的第二置信度，所述特征数据为视频的视频特征，所述特征检索库中包括多个所述特征数据和各个所述特征数据对应的视频标签数据；第一确定模块，用于在所述第二置信度高于第二预设阈值的情况下，将所述第二预测标签确定为所述目标视频的分类标签。
86.根据本公开的一个或多个实施例，示例7提供了示例6的装置，所述第三获取模块包括：检索子模块，用于在所述特征检索库中确定与所述目标视频特征的所述相似度最高的n个目标特征数据；计算子模块，用于按照所述相似度从高到低的排序，通过加权计算确定所述n个目标特征数据对应的每类视频标签数据的相似度得分，其中，所述n个目标特征数据对应的视频标签数据种类数量不大于n；确定子模块，用于将所述相似度得分最高的视频标签数据确定为所述目标视频的所述第二预测标签，并将第二预测标签对应的相似度得分确定为所述第二置信度。
87.根据本公开的一个或多个实施例，示例8提供了示例6的装置，在所述第一确定模块将所述第二预测标签确定为所述目标视频的分类标签后，所述装置还包括：第一处理模块，用于将所述目标视频的所述目标视频特征加入所述特征检索库中，并将所述目标视频的分类标签确定为所述目标视频特征对应的所述视频标签数据。
88.根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1
‑
5中任一项所述方法的步骤。
89.根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1
‑
5中任一项所述方法的步骤。
90.以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
91.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
92.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此
处将不做详细阐述说明。