CN112949433A - 视频分类模型的生成方法、装置、设备和存储介质 - Google Patents
视频分类模型的生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112949433A CN112949433A CN202110190232.8A CN202110190232A CN112949433A CN 112949433 A CN112949433 A CN 112949433A CN 202110190232 A CN202110190232 A CN 202110190232A CN 112949433 A CN112949433 A CN 112949433A
- Authority
- CN
- China
- Prior art keywords
- model
- knowledge
- learning model
- loss function
- image classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013140 knowledge distillation Methods 0.000 claims abstract description 47
- 238000013508 migration Methods 0.000 claims description 79
- 230000005012 migration Effects 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 71
- 238000012545 processing Methods 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004821 distillation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种视频分类模型的生成方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及计算机视觉、深度学习等人工智能技术领域。视频分类模型的生成方法包括：获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成；根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。本公开可以提高视频分类模型的分类效果。
Description
技术领域
本公开涉及计算机技术领域，具体涉及计算机视觉、深度学习等人工智能技术领域，尤其涉及一种视频分类模型的生成方法、装置、设备和存储介质。
背景技术
人工智能(Artificial Intelligence，AI)是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着移动设备的普及和硬件性能的大幅提升，用视频记录生活已经逐渐成为人们的日常行为习惯。随着视频数据的极速增长，可以采用视频分类模型对视频进行分类，以便基于分类对视频进行存储、管理等。为了降低参数量，提高实用性，可以采用知识蒸馏的方式生成视频分类模型。知识蒸馏网络包括知识迁移模型和知识学习模型。
相关技术中，仅进行一次基于视频分类数据集的知识蒸馏过程，将待生成的视频分类模型作为知识学习模型，采用知识蒸馏的方式，将知识迁移模型的输出作为监督信息，训练知识学习模型后生成视频分类模型。
发明内容
本公开提供了一种视频分类模型的生成方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种视频分类模型的生成方法，包括：获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成；根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。
根据本公开的另一方面，提供了一种视频分类模型的生成装置，包括：获取模块，用于获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成；生成模块，用于根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高视频分类模型的分类效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是用来实现本公开实施例的视频分类模型的生成方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
知识蒸馏(knowledge distillation)是模型压缩的一种常用方法，不同于模型压缩中的剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模型的监督信息，来训练这个小模型，以期达到更好的性能和精度。这个大模型称之为知识迁移模型，或称为教师(teacher)模型，小模型称之为知识学习模型，或称为学生(student)模型。来自teacher模型输出的监督信息称之为知识(knowledge)，而student模型学习迁移来自teacher模型的监督信息的过程称之为蒸馏(distillation)。
相关技术中，存在一些视频的知识蒸馏方案，比如跨模态蒸馏、光流蒸馏等，但是，这些知识蒸馏方案仅为一个阶段的知识蒸馏，即包括一个知识蒸馏网络，该知识蒸馏网络包括知识迁移网络和知识学习网络，将视频分类数据集输入到该知识蒸馏网络的知识迁移网络和知识学习网络后，将知识迁移网络的输出作为监督信息训练知识学习网络，将训练好的知识学习网络作为视频分类模型。
由于视频分类数据集的数据量较少，仅使用视频分类数据集训练视频分类模型，会造成视频分类模型的分类效果较差。图像领域的研究相对成熟，为了提高视频分类模型的分类效果，可以在训练视频分类模型时，引入图像领域的知识。为此，本公开提供如下一些实施例。
图1是根据本公开第一实施例的示意图。本实施例提供一种视频分类模型的生成方法，该方法包括：
101、获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成。
102、根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。
本实施例的执行主体可以为单一设备主体，比如为服务器。
一些实施例中，可以由该单一设备主体从另外的设备处获取图像分类模型。或者，一些实施例中，可以由该单一设备主体从自身处获取图像分类模型。进一步地，图像分类模型可以是在线生成，比如，当前要生成视频分类模型时，先生成图像分类模型；或者，图像分类模型也可以是离线生成，比如，当前要生成视频分类模型时，可以是直接获取到之前已经生成的图像分类模型。
由于图像领域的研究已经相对成熟，有很多性能优良的图像分类模型，因此，可以将图像分类模型的知识迁移至视频分类模型中，从而可以利用图像分类模型的优良性能。
在生成视频分类模型时，比如，将图像分类模型作为视频分类模型的预训练模型，在预训练模型的基础上进行微调，从而得到视频分类模型。
本实施例中，通过知识蒸馏方式得到图像分类模型和视频分类模型，可以提高这两个模型的分类效果并降低模型参数量。在视频蒸馏时，视频分类模型是对图像分类模型进行训练后生成的，即，可以将图像分类模型作为视频分类模型的预训练模型，采用预训练方式，将图像领域的知识迁移至视频分类模型中，从而可以简便地实现将图像领域的知识迁移至视频分类模型中，提高视频分类模型的分类效果。另外，视频分类模型是在预训练模型的基础上进行训练，即，采用预训练模型对视频分类模型进行初始化，由于预训练模型是已经训练好的图像分类模型，相对于对视频分类模型随机初始化的方式，可以减少训练时的迭代轮数，降低视频分类模型的训练时间。
图像分类数据集和视频分类数据集是已有的数据集，图像分类数据集比如为ImageNet，视频分类数据集比如为Kinetics-400。
进一步地，第一知识蒸馏网络可以包括第一知识迁移模型和第一知识学习模型，第一知识学习模型的参数量小于第一知识迁移模型的参数量，第一知识迁移模型的精度高于第一知识学习模型的精度，基于第一知识迁移模型的输出训练第一知识学习模型，将训练好的第一知识学习模型作为图像分类模型，从而可以得到实用性较高(即参数量较少)且精度较高的图像分类模型。
进一步地，第二知识蒸馏网络可以包括第二知识迁移模型和第二知识学习模型，第二知识学习模型的参数量小于第二知识迁移模型的参数量，第二知识迁移模型的精度高于第二知识学习模型的精度，且第二知识学习模型的预训练模型为上述的图像分类模型，基于第二知识迁移模型的输出训练第二知识学习模型，将训练好的第二知识学习模型作为视频分类模型，从而可以得到引入了图像领域知识、实用性较高、且精度较高的视频分类模型。
图2是本公开第二实施例的示意图，本实施例提供一种视频分类模型的生成方法，如图2所示，并结合图3，该方法包括：
201、构建图像分类数据集。
比如，基于ImageNet构建超大规模图像分类数据集。
202、选择第一知识迁移模型和第一知识学习模型。
第一知识迁移模型和第一知识学习模型的结构应尽可能相似，同时第一知识迁移模型的精度应尽可能比第一知识学习模型的精度高。
基于第一知识迁移模型和第一知识学习模型，可以生成图像分类模型，可以理解的是，本公开实施例中，如未作特别说明，“图像分类模型”是指第一阶段最终训练好的图像分类模型，该图像分类模型作为第二阶段的预训练模型。特别说明：由于第一阶段是基于第一知识迁移模型对第一知识学习模型进行训练，因此，第一知识迁移模型和第一知识学习模型均为图像分类模型，此处的图像分类模型具体是指，第一知识迁移模型是在第一阶段之前已经训练好的精度较高的图像分类模型，第一知识学习模型是在第一阶段可训练的图像分类模型，即参数可调整的图像分类模型，上述的“第一阶段最终训练好的图像分类模型”即为经过第一阶段后，训练好的第一知识学习模型。
第一知识迁移模型包括但不限于ResNeXt101_32x16d_wsl，第一知识学习模型包括但不限于ResNet50_vd。
203、将所述图像分类数据集分别作为所述第一知识迁移模型和所述第一知识学习模型的输入，采用所述第一知识迁移模型对所述图像分类数据集进行处理，以得到第一知识迁移模型输出，以及，采用所述第一知识学习模型对所述图像分类数据集进行处理，以得到第一知识学习模型输出。
204、根据所述第一知识迁移模型输出和所述第一知识学习模型输出，构建第一损失函数，并根据所述第一损失函数训练所述第一知识学习模型，以生成图像分类模型。
具体地，根据第一损失函数训练第一知识学习模型，以生成图像分类模型，可以包括：根据所述第一损失函数更新所述第一知识学习模型的参数，并固定所述第一知识迁移模型的参数，直至所述第一损失函数收敛；将所述第一损失函数收敛时的第一知识学习模型，确定为所述图像分类模型。
构建第一损失函数时，可以根据具体的知识蒸馏方案构建对应的损失函数，比如，采用简单半监督标签知识蒸馏(Simple Semi-supervised Label Distillation，SSLD)方案时，构建第一损失函数可以包括：对所述第一知识迁移模型输出进行第一激活处理，以得到第一软标签(soft label)，以及，对所述第一知识学习模型输出进行第二激活处理，以得到第一软预测(soft predict)，并根据所述第一软标签和所述第一软预测计算第一损失函数，第一损失函数比如为JS散度(Jensen-Shannon divergence)。
比如，以SSLD为例，参见图4，输入经过知识迁移模型和知识学习模型后，分别生成一个输出，分别称为知识迁移模型输出和知识学习模型输出，之后，采用softmax进行激活，分别称为软标签和软预测，之后，基于软标签和软预测计算损失函数，并基于该损失函数更新知识学习模型的参数，固定知识迁移模型的参数，直至损失函数收敛，完成知识学习模型的训练。其中，M和N是知识迁移模型和知识学习模型的层数，M和N均为正整数，一般M大于N。
可以理解的是，在图像分类模型训练时，上述的输入为图像分类数据集，知识迁移模型和知识学习模型分别称为第一知识迁移模型和第一知识学习模型，输出分别称为：第一知识迁移模型输出、第一知识学习模型输出、第一软标签、第一软预测，损失函数称为第一损失函数。在视频分类模型训练时，输入为视频分类数据集，知识迁移模型和知识学习模型分别称为第二知识迁移模型和第二知识学习模型，输出分别称为：第二知识迁移模型输出、第二知识学习模型输出、第二软标签、第二软预测，损失函数称为第二损失函数。
其中，对知识迁移模型输出和知识学习模型输出进行激活处理的激活函数，包括上述的第一激活函数、第二激活函数，以及，后续的第三激活函数和第四激活函数，为包含温度T的softmax函数，其中，T为预设的超参数。
通过第一知识迁移模型和第一知识学习模型，可以采用知识蒸馏方式得到实用性较高(即参数量较少)且精度较高的图像分类模型。
通过采用第一损失函数更新第一知识学习模型的参数，而固定第一知识迁移模型的参数，可以将第一知识迁移模型的知识引入到第一知识学习模型中，从而使得最终得到的图像分类模型具有第一知识迁移模型的优良性能。
205、构建视频分类数据集。
视频分类数据集比如为Kinetics-400，该数据集共包含约为24万个视频样本，对应类别数约为400类。
206、选择第二知识迁移模型和第二知识学习模型；所述第二知识学习模型包括所述图像分类模型。
基于第二知识迁移模型和第二知识学习模型，可以生成视频分类模型，可以理解的是，本公开实施例中，如未作特别说明，“视频分类模型”是指第二阶段最终训练好的视频分类模型，该视频分类模型可以在应用阶段使用，即可以在应用阶段，将待分类的视频输入到该视频分类模型中，经过该视频分类模型的处理后，输出待分类的视频的类别信息。特别说明：由于第二阶段是基于第二知识迁移模型对第二知识学习模型进行训练，因此，第二知识迁移模型和第二知识学习模型均为视频分类模型，此处的视频分类模型具体是指，第二知识迁移模型是在第二阶段之前已经训练好的精度较高的视频分类模型，第二知识学习模型是在第二阶段可训练的视频分类模型，即参数可调整的视频分类模型，上述的“第二阶段最终训练好的视频分类模型”即为经过第二阶段后，训练好的第二知识学习模型。
为了提高运算速度，第二知识学习模型可以选择为参数更少的实用型模型，比如为2D卷积模型。包括但不限于PP-TSM模型。进一步地，在第二知识学习模型为2D卷积模型时，可以理解的是，第二知识学习模型包括空间特征提取模型和时间特征提取模型，空间特征提取模型的初始值即为第一阶段得到的图像分类模型，时间特征提取模型可以采用各种相关的用于提取时间特征的模型，比如，为长短期记忆(Long Short-Term Memory，LSTM)网络，或者时间移位模块(Temporal Shift Module，TSM)。具体地，第二知识学习模型包括但不限于PP-TSM模型。
为了提高运算精度，第二知识迁移模型可以选择为高精度模型，进一步地，可以包括如下任一种模型，或者至少两种模型的组合：
精度更高的3D卷积模型，包括但不限于SlowFast；
层数更深、精度更高的2D卷积模型，包括但不限于以ResNet-101为backbone的TSM；
使用超大型视频分类数据集训练得到的高精度模型，包括但不限于VideoTag。
207、将所述视频分类数据集分别作为第二知识迁移模型和第二知识学习模型的输入，采用所述第二知识迁移模型对所述图像分类数据集进行处理，以得到第二知识迁移模型输出，以及，采用所述第二知识学习模型对所述图像分类数据集进行处理，以得到第二知识学习模型输出。
208、根据所述第二知识迁移模型输出和所述第二知识学习模型输出，构建第二损失函数，并根据所述第二损失函数训练所述第二知识学习模型，以生成视频分类模型。
具体地，根据第二损失函数训练第二知识学习模型，以生成视频分类模型，可以包括：根据所述第二损失函数更新所述第二知识学习模型的参数，并固定所述第二知识迁移模型的参数，直至所述第二损失函数收敛；将所述第二损失函数收敛时的第二知识学习模型，确定为所述视频分类模型。
构建第二损失函数可以包括：对所述第二知识迁移模型输出进行第三激活处理，以得到第二软标签(soft label)，以及，对所述第二知识学习模型输出进行第四激活处理，以得到第二软预测(soft predict)，并根据所述第二软标签和所述第二软预测计算第二损失函数，所述第二损失函数为：交叉熵、KL散度(Kullback-Leibler divergence)、或者JS散度(Jensen-Shannon divergence)。
具体地，交叉熵的计算公式为：
KL散度的计算公式为：
JS散度的计算公式为：
其中，p(xi)是第i个输入xi对应的真实输出，本实施例中为软标签；q(xi)是第i个输入xi对应的预测输出，本实施例中为软预测。可以理解的是，计算损失函数时的软标签和软预测，可以依据不同的知识蒸馏阶段，为第一软标签和第一软预测，或者，第二软标签和第二软预测。
通过第二知识迁移模型和第二知识学习模型，以及，第二知识学习模块以图像分类模型作为预训练模型，可以采用知识蒸馏和预训练方式，得到引入了图像领域知识、实用性较高、且精度较高的视频分类模型。
通过采用第二损失函数更新第二知识学习模型的参数，而固定第二知识迁移模型的参数，可以将第二知识迁移模型的知识引入到第二知识学习模型中，从而使得最终得到的视频分类模型具有第二知识迁移模型的优良性能。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
本实施例中，采用两阶段的知识蒸馏方式，生成视频分类模型。第一阶段生成图像分类模型，第二阶段将第一阶段生成的图像分类模型作为视频分类模型的预训练模型，在预训练模型的基础上进行训练，以生成视频分类模型。其中，第一阶段中，第一知识学习模型的参数量比第一知识迁移模型的参数量少，第一知识迁移模型的精度比第一知识学习模型的精度高，通过知识蒸馏，可以将第一知识迁移模型的知识迁移到第一知识学习模型中，将训练好的第一知识学习模型作为图像分类模型，可以得到参数量较少且精度较高的图像分类模型。第二阶段中，将第一阶段得到的图像分类模型作为视频分类模型的预训练模型，可以将图像分类模型的优良性能引入视频分类模型中，采用高精度的第二知识迁移模型，通过知识蒸馏可以将第二知识迁移模型的知识引入第二知识学习模型中，将训练好的第二知识学习模型作为视频分类模型，可以提高视频分类模型的精度，从而可以得到引入图像领域的优良性能、实用性较高(参数量较少)、精度较高的视频分类模型。
本实施例中，通过将图像分类模型作为视频分类模型的预训练模型，可以通过预训练方式将图像领域的知识迁移至视频领域，由于图像领域的研究相对成熟，所以，将相对成熟的图像领域的知识迁移至视频领域后，可以提高视频分类模型的效果。并且采用预训练的方式，可以减少知识蒸馏的迭代轮数，在很大程度上减少视频分类模型的训练时间。通过第二知识学习模型采用2D卷积模型，第二知识迁移模型采用精度较高的模型，第二知识学习模型通过知识蒸馏方式获取第二知识迁移模型的知识，使得第二知识学习模型既能保持2D卷积模型的实用性，又能提高精度，将训练好的第二知识学习模型作为视频分类模型，从而得到实用性较高且精度较高的视频分类模型。
图5是本公开第五实施例的示意图，本实施例提供一种视频分类模型的生成装置，该装置500包括：获取模块501和生成模块502。
所述获取模块501用于获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成；所述生成模块502用于根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。
一些实施例中，所述第一知识蒸馏网络包括第一知识迁移模型和第一知识学习模型，所述获取模块501具体用于：将图像分类数据集分别作为所述第一知识迁移模型和所述第一知识学习模型的输入，采用所述第一知识迁移模型对所述图像分类数据集进行处理，以得到第一知识迁移模型输出，以及，采用所述第一知识学习模型对所述图像分类数据集进行处理，以得到第一知识学习模型输出；根据所述第一知识迁移模型输出和所述第一知识学习模型输出，构建第一损失函数，并根据所述第一损失函数训练所述第一知识学习模型，以生成图像分类模型。
一些实施例中，所述获取模块501进一步具体用于：根据所述第一损失函数更新所述第一知识学习模型的参数，并固定所述第一知识迁移模型的参数，直至所述第一损失函数收敛；将所述第一损失函数收敛时的第一知识学习模型，确定为所述图像分类模型。
一些实施例中，所述第二知识蒸馏网络包括第二知识迁移模型和第二知识学习模型，所述生成模块502具体用于：将视频分类数据集分别作为所述第二知识迁移模型和所述第二知识学习模型的输入，采用所述第二知识迁移模型对所述视频分类数据集进行处理，以得到第二知识迁移模型输出，以及，采用所述第二知识学习模型对所述视频分类数据集进行处理，以得到第二知识学习模型输出；所述第二知识学习模型包括所述图像分类模型；根据所述第二知识迁移模型输出和所述第二知识学习模型输出，构建第二损失函数，并根据所述第二损失函数训练所述第二知识学习模型，以生成视频分类模型。
一些实施例中，所述生成模块502进一步具体用于：根据所述第二损失函数更新所述第二知识学习模型的参数，并固定所述第二知识迁移模型的参数，直至所述第二损失函数收敛；将所述第二损失函数收敛时的第二知识学习模型，确定为所述视频分类模型。
一些实施例中，所述第二知识学习模型为2D卷积模型；和/或，所述第二知识迁移模型的精度高于所述第二知识学习模型的精度。
本实施例中，视频分类模型是对图像分类模型进行训练后生成的，即，可以将图像分类模型作为视频分类模型的预训练模型，采用预训练方式，将图像领域的知识迁移至视频分类模型中，从而可以简便地实现将图像领域的知识迁移至视频分类模型中，提高视频分类模型的分类效果。另外，视频分类模型是在预训练模型的基础上进行训练，即，采用预训练模型对视频分类模型进行初始化，由于预训练模型是已经训练好的图像分类模型，相对于对视频分类模型随机初始化的方式，可以较少训练时的迭代轮数，降低视频分类模型的训练时间。另外，通过知识蒸馏方式得到图像分类模型和视频分类模型，可以进一步提高这两个模型的效果。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元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。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如视频分类模型的生成方法。例如，在一些实施例中，视频分类模型的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的视频分类模型的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视频分类模型的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种视频分类模型的生成方法，包括：
获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成；
根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。
2.根据权利要求1所述的方法，其中，所述第一知识蒸馏网络包括第一知识迁移模型和第一知识学习模型，所述获取图像分类模型，包括：
将图像分类数据集分别作为所述第一知识迁移模型和所述第一知识学习模型的输入，采用所述第一知识迁移模型对所述图像分类数据集进行处理，以得到第一知识迁移模型输出，以及，采用所述第一知识学习模型对所述图像分类数据集进行处理，以得到第一知识学习模型输出；
根据所述第一知识迁移模型输出和所述第一知识学习模型输出，构建第一损失函数，并根据所述第一损失函数训练所述第一知识学习模型，以生成图像分类模型。
3.根据权利要求2所述的方法，其中，所述根据所述第一损失函数训练所述第一知识学习模型，以生成图像分类模型，包括：
根据所述第一损失函数更新所述第一知识学习模型的参数，并固定所述第一知识迁移模型的参数，直至所述第一损失函数收敛；将所述第一损失函数收敛时的第一知识学习模型，确定为所述图像分类模型。
4.根据权利要求1-3任一项所述的方法，其中，所述第二知识蒸馏网络包括第二知识迁移模型和第二知识学习模型，所述根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型，包括：
将视频分类数据集分别作为所述第二知识迁移模型和所述第二知识学习模型的输入，采用所述第二知识迁移模型对所述视频分类数据集进行处理，以得到第二知识迁移模型输出，以及，采用所述第二知识学习模型对所述视频分类数据集进行处理，以得到第二知识学习模型输出；所述第二知识学习模型包括所述图像分类模型；
根据所述第二知识迁移模型输出和所述第二知识学习模型输出，构建第二损失函数，并根据所述第二损失函数训练所述第二知识学习模型，以生成视频分类模型。
5.根据权利要求4所述的方法，其中，所述根据所述第二损失函数训练所述第二知识学习模型，以生成视频分类模型，包括：
根据所述第二损失函数更新所述第二知识学习模型的参数，并固定所述第二知识迁移模型的参数，直至所述第二损失函数收敛；将所述第二损失函数收敛时的第二知识学习模型，确定为所述视频分类模型。
6.根据权利要求4所述的方法，其中，
所述第二知识学习模型为2D卷积模型；和/或，
所述第二知识迁移模型的精度高于所述第二知识学习模型的精度。
7.一种视频分类模型的训练装置，包括：
获取模块，用于获取图像分类模型，所述图像分类模型根据图像分类数据集，采用第一知识蒸馏网络生成；
生成模块，用于根据视频分类数据集，采用第二知识蒸馏网络，对所述图像分类模型进行训练，以生成视频分类模型。
8.根据权利要求7所述的装置，其中，所述第一知识蒸馏网络包括第一知识迁移模型和第一知识学习模型，所述获取模块具体用于：
将图像分类数据集分别作为所述第一知识迁移模型和所述第一知识学习模型的输入，采用所述第一知识迁移模型对所述图像分类数据集进行处理，以得到第一知识迁移模型输出，以及，采用所述第一知识学习模型对所述图像分类数据集进行处理，以得到第一知识学习模型输出；
根据所述第一知识迁移模型输出和所述第一知识学习模型输出，构建第一损失函数，并根据所述第一损失函数训练所述第一知识学习模型，以生成图像分类模型。
9.根据权利要求8所述的装置，其中，所述获取模块进一步具体用于：
根据所述第一损失函数更新所述第一知识学习模型的参数，并固定所述第一知识迁移模型的参数，直至所述第一损失函数收敛；将所述第一损失函数收敛时的第一知识学习模型，确定为所述图像分类模型。
10.根据权利要求7-9任一项所述的装置，其中，所述第二知识蒸馏网络包括第二知识迁移模型和第二知识学习模型，所述生成模块具体用于：
将视频分类数据集分别作为所述第二知识迁移模型和所述第二知识学习模型的输入，采用所述第二知识迁移模型对所述视频分类数据集进行处理，以得到第二知识迁移模型输出，以及，采用所述第二知识学习模型对所述视频分类数据集进行处理，以得到第二知识学习模型输出；所述第二知识学习模型包括预训练模型，所述预训练模型为所述图像分类模型；
根据所述第二知识迁移模型输出和所述第二知识学习模型输出，构建第二损失函数，并根据所述第二损失函数训练所述第二知识学习模型，以生成视频分类模型。
11.根据权利要求10所述的装置，其中，所述生成模块进一步具体用于：
根据所述第二损失函数更新所述第二知识学习模型的参数，并固定所述第二知识迁移模型的参数，直至所述第二损失函数收敛；将所述第二损失函数收敛时的第二知识学习模型，确定为所述视频分类模型。
12.根据权利要求10所述的装置，其中，
所述第二知识学习模型为2D卷积模型；和/或，
所述第二知识迁移模型的精度高于所述第二知识学习模型的精度。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110190232.8A CN112949433B (zh) | 2021-02-18 | 2021-02-18 | 视频分类模型的生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110190232.8A CN112949433B (zh) | 2021-02-18 | 2021-02-18 | 视频分类模型的生成方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949433A true CN112949433A (zh) | 2021-06-11 |
| CN112949433B CN112949433B (zh) | 2022-07-22 |
Family
ID=76244510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110190232.8A Active CN112949433B (zh) | 2021-02-18 | 2021-02-18 | 视频分类模型的生成方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949433B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536970A (zh) * | 2021-06-25 | 2021-10-22 | 华为技术有限公司 | 一种视频分类模型的训练方法及相关装置 |
| CN113642532A (zh) * | 2021-10-13 | 2021-11-12 | 广州虎牙信息科技有限公司 | 视频分类模型处理方法、装置及数据处理设备 |
| CN113642605A (zh) * | 2021-07-09 | 2021-11-12 | 北京百度网讯科技有限公司 | 模型蒸馏方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220616A (zh) * | 2017-05-25 | 2017-09-29 | 北京大学 | 一种基于自适应权重的双路协同学习的视频分类方法 |
| WO2018169639A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc | Recognition in unlabeled videos with domain adversarial learning and knowledge distillation |
| CN110188239A (zh) * | 2018-12-26 | 2019-08-30 | 北京大学 | 一种基于跨模态注意力机制的双流视频分类方法和装置 |
| CN110866512A (zh) * | 2019-11-21 | 2020-03-06 | 南京大学 | 一种基于视频分类的监控摄像机遮挡检测方法 |
| CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
| CN111738436A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
| CN111950411A (zh) * | 2020-07-31 | 2020-11-17 | 上海商汤智能科技有限公司 | 模型确定方法及相关装置 |
| CN112232397A (zh) * | 2020-09-30 | 2021-01-15 | 上海眼控科技股份有限公司 | 图像分类模型的知识蒸馏方法、装置和计算机设备 |
-
2021
- 2021-02-18 CN CN202110190232.8A patent/CN112949433B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018169639A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc | Recognition in unlabeled videos with domain adversarial learning and knowledge distillation |
| CN107220616A (zh) * | 2017-05-25 | 2017-09-29 | 北京大学 | 一种基于自适应权重的双路协同学习的视频分类方法 |
| CN110188239A (zh) * | 2018-12-26 | 2019-08-30 | 北京大学 | 一种基于跨模态注意力机制的双流视频分类方法和装置 |
| CN110866512A (zh) * | 2019-11-21 | 2020-03-06 | 南京大学 | 一种基于视频分类的监控摄像机遮挡检测方法 |
| CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
| CN111738436A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
| CN111950411A (zh) * | 2020-07-31 | 2020-11-17 | 上海商汤智能科技有限公司 | 模型确定方法及相关装置 |
| CN112232397A (zh) * | 2020-09-30 | 2021-01-15 | 上海眼控科技股份有限公司 | 图像分类模型的知识蒸馏方法、装置和计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| LONGLONG JING ET AL.: "VideoSSL:Semi-Supervised Learing for Video Classification", 《ARXIV.ORG》 * |
| 许睿: "面向语音辅助唇语识别的知识蒸馏", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536970A (zh) * | 2021-06-25 | 2021-10-22 | 华为技术有限公司 | 一种视频分类模型的训练方法及相关装置 |
| CN113642605A (zh) * | 2021-07-09 | 2021-11-12 | 北京百度网讯科技有限公司 | 模型蒸馏方法、装置、电子设备及存储介质 |
| CN113642532A (zh) * | 2021-10-13 | 2021-11-12 | 广州虎牙信息科技有限公司 | 视频分类模型处理方法、装置及数据处理设备 |
| CN113642532B (zh) * | 2021-10-13 | 2022-02-08 | 广州虎牙信息科技有限公司 | 视频分类模型处理方法、装置及数据处理设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949433B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
| JP7331975B2 (ja) | クロスモーダル検索モデルのトレーニング方法、装置、機器、および記憶媒体 | |
| CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
| CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
| CN114202076B (zh) | 深度学习模型的训练方法、自然语言处理方法和装置 | |
| CN113326852A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
| CN113344089B (zh) | 模型训练方法、装置及电子设备 | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN113033801A (zh) | 神经网络模型的预训练方法、装置、电子设备和介质 | |
| JP7446359B2 (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
| CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
| CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
| CN114462598A (zh) | 深度学习模型的训练方法、确定数据类别的方法和装置 | |
| CN114973279B (zh) | 手写文本图像生成模型的训练方法、装置和存储介质 | |
| CN113989899A (zh) | 人脸识别模型中特征提取层的确定方法、设备和存储介质 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN117971487A (zh) | 一种高性能算子生成方法、装置、设备及存储介质 | |
| CN117351299A (zh) | 图像生成及模型训练方法、装置、设备和存储介质 | |
| CN113361621B (zh) | 用于训练模型的方法和装置 | |
| CN114490965B (zh) | 问题处理方法、装置、电子设备和存储介质 | |
| CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN113240082A (zh) | 一种迁移学习的方法及装置 | |
| CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |