1.一种基于分层与整体多模态特征结合的视频问答方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：步骤1中，首先将视频切分为k个片段，每个片段中包含l帧，然后使用resnet-101来提取视频帧中的外观特征fa，使用resnext-101来提取视频的运动特征fm，使用预训练的对象检测器来提取视频帧中的n个感兴趣空间，作为视频的空间特征fi。
3.根据权利要求2所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：步骤1中，在提取完三种特征之后，将三种特征通过一维卷积层沿着时间维度投影到d维空间；其中，对于空间特征中的每个对象，分别添加了边界框位置fs和时间位置ft来强化空间特征表示，把三个分量连接起来并通过线性变换使其投影到d维空间，接着使用elu进行激活；对于外观特征和运动特征，沿着时间维度应用两个一维卷积来实现投影，滑动窗口大小设置为3，接着使用elu进行激活；然后将d维空间的三种特征串联起来并用elu进行激活，由此获得视频的全局特征faim。
4.根据权利要求1所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：步骤2中，使用bi-gru将问答语句中的词语投影到d维空间作为部分视觉输入，表示为语言查询q，语言查询q由句中每个词语前向隐藏状态和后向隐藏状态连接表示，将最后一个隐藏状态作为文本全局向量，表示文本特征fq。
5.根据权利要求4所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：所述条件双向注意图卷积模块首先将一组输入视频节点xin通过用语言查询q扩充，表示为：
6.根据权利要求5所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：步骤4中，首先将空间特征fi作为输入，并与文本特征一起输入到条件双向注意图卷积模块，得到第一输出特征：
7.根据权利要求5所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：步骤5中，将第三输出特征fl与全局特征faim串联结合得到第一图数据fla，使用了随机mask与邻接矩阵a相乘进行图数据增强，得到第二图数据fmask，然后将fla与fmask分别通过图卷积得到第一最终特征fv与第二最终特征
8.根据权利要求1所述的基于分层与整体多模态特征结合的视频问答方法，其特征在于：步骤6中，对于多选类问题，预测模型将第一最终特征fv与文本特征fq进行点积并用具有softmax的全连接层作为分类器：