视频数据增广方法、装置、电子设备及可读存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及深度学习及计算机视觉等领域的视频数据增广方法、装置、电子设备及可读存储介质。

背景技术

目前，在进行视频分类时，通常会结合深度学习技术，比如，可利用训练得到的视频分类模型来进行视频分类。

而在模型训练时，目前主要围绕如何提取视频的时空特征这一问题进行研究，如通过优化网络结构的设计，提升对于视频时空信息尤其是时间信息的利用能力等，而对于网络的训练策略尤其是视频数据增广方面却鲜有提及和研究。

发明内容

本公开提供了视频数据增广方法、装置、电子设备及可读存储介质。

一种视频数据增广方法，包括：

在模型训练过程中，针对任一训练批次内的M个视频数据，M为大于一的正整数，分别进行以下处理：

利用原始顺序的所述M个视频数据组成第一视频序列；

对所述第一视频序列中的M个视频数据进行随机排序，得到第二视频序列；

分别将所述第一视频序列中的各视频数据与所述第二视频序列中的对应视频数据进行混合，得到M个混合视频数据，用于进行模型训练。

一种视频数据增广装置，包括：第一获取模块、第二获取模块以及混合模块；

所述第一获取模块，用于在模型训练过程中，针对任一训练批次内的M个视频数据，M为大于一的正整数，利用原始顺序的所述M个视频数据组成第一视频序列；

所述第二获取模块，用于对所述第一视频序列中的M个视频数据进行随机排序，得到第二视频序列；

所述混合模块，用于分别将所述第一视频序列中的各视频数据与所述第二视频序列中的对应视频数据进行混合，得到M个混合视频数据，用于进行模型训练。

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以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

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如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：通过对视频数据进行排序和混合等操作，实现了视频数据增广，从而增加了数据的多样性，并可有效避免训练数据集较小时的过拟合等问题，进而提升了模型训练效果及模型性能等。

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为本公开所述视频数据增广方法实施例的流程图；

图2为本公开所述混合操作的实现方式示意图；

图3为本公开所述视频数据增广方法的整体实现过程示意图；

图4为本公开所述视频数据增广装置实施例400的组成结构示意图；

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。

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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述视频数据增广方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，在模型训练过程中，针对任一训练批次(batch)内的M个视频数据，M为大于一的正整数，分别按照步骤102-步骤104所示方式进行处理。

在步骤102中，利用原始顺序的M个视频数据组成第一视频序列。

在步骤103中，对第一视频序列中的M个视频数据进行随机排序，得到第二视频序列。

在步骤104中，分别将第一视频序列中的各视频数据与第二视频序列中的对应视频数据进行混合，得到M个混合视频数据，用于进行模型训练。

可以看出，上述方法实施例所述方案中，通过对视频数据进行排序和混合等操作，实现了视频数据增广，从而增加了数据的多样性，并可有效避免训练数据集较小时的过拟合等问题，进而提升了模型训练效果及模型性能等。所述模型可为视频分类模型。

数据增广是深度学习中常用的技巧之一，是指通过对训练数据进行一系列的操作，来产生相似但又不同的新的训练数据，以扩大训练数据集的规模等。本公开中主要针对视频数据提出了视频数据增广方法。

每个batch内通常都会包括多个视频数据，即包括多个视频段/视频文件，具体数量可根据实际需要而定。

如前所述，对于M个视频数据，可利用原始顺序的M个视频数据组成第一视频序列。并且，可对第一视频序列中的M个视频数据进行随机排序，得到第二视频序列。

举例说明：假设第一视频序列中包括8个视频数据，为便于表述，分别称为视频数据1、视频数据2、视频数据3、视频数据4、视频数据5、视频数据6、视频数据7和视频数据8，可对第一视频序列中的M个视频数据进行随机排序，假设随机排序后的8个视频数据依次为视频数据2、视频数据3、视频数据5、视频数据1、视频数据6、视频数据8、视频数据4和视频数据7，那么视频数据2、视频数据3、视频数据5、视频数据1、视频数据6、视频数据8、视频数据4和视频数据7即组成第二视频序列。

之后，可分别将第一视频序列中的各视频数据与第二视频序列中的对应视频数据进行混合，从而得到M个混合视频数据，用于进行模型训练。

对于第一视频序列中的任一视频数据，确定该视频数据的对应视频数据的方式不限，比如，可将第二视频序列中的任一视频数据作为该视频数据的对应视频数据，或者，将第二视频序列中与该视频数据处于相同位置(如按照排序顺序均处于第二位)的视频数据作为该视频数据的对应视频数据等。

举例说明：假设第一视频序列中包括8个视频数据，依次为视频数据1、视频数据2、视频数据3、视频数据4、视频数据5、视频数据6、视频数据7和视频数据8，第二视频序列中的8个视频数据依次为视频数据2、视频数据3、视频数据5、视频数据1、视频数据6、视频数据8、视频数据4和视频数据7，那么可将第一视频序列中的视频数据1与第二视频序列中的视频数据2进行混合，将第一视频序列中的视频数据2与第二视频序列中的视频数据3进行混合，将第一视频序列中的视频数据3与第二视频序列中的视频数据5进行混合，依次类推。

在将第一视频序列中的任一视频数据与第二视频序列中的任一视频数据进行混合时，可按照混合(mixup)方式或者裁剪混合(cutmix)方式等进行混合。所述方式仅为举例说明，并不用于限制本公开的技术方案。

mixup方式和cutmix方式均为图像领域比较常用的数据增广方式，本公开中将其迁移到了视频领域，沿着时间维度进行了扩展。以下以mixup方式为例，具体说明如何进行视频数据的混合。

对于第一视频序列中的任一视频数据和第二视频序列中的任一视频数据，可按照以下方式进行混合：

mix_inputs＝lambda×video+(1-lambda)×permutated_video； (1)

其中，video表示第一视频序列中的任一视频数据，permutated_video表示第二视频序列中的任一视频数据，mix_inputs表示得到的混合视频数据。

lambda为超参数，其计算公式可为：

lambda＝Beta(α,α)； (2)

Beta分布(即贝塔分布)的概率密度函数如下：

α和β为形状参数。

在按照公式(1)所示方式进行混合时，作为一种可能的实现方式，可将两个视频数据逐帧(图像)进行混合，即对于其中的一个视频数据中的任一帧，可将该帧与对应的权重lambda相乘，并可将另外一个视频数据中的对应帧与对应的权重(1-lambda)相乘，进而将两个乘积相加，具体实现为现有技术。

cutmix方式的实现过程与mixup方式类似，只是将lambda替换成cutmix方式中的对应超参数。

通过上述方式，可得到M个混合视频数据。针对任一混合视频数据，还可分别进行以下处理：获取该混合视频数据对应的预测输出；根据该混合视频数据对应的第一视频数据的标签及预测输出确定出第一损失；根据该混合视频数据对应的第二视频数据的标签及预测输出确定出第二损失；根据第一损失及第二损失确定出该混合视频数据对应的第三损失，以便利用第三损失进行模型训练；其中，第一视频数据和第二视频数据为混合得到该混合视频数据的两个视频数据。比如，可将第一损失和第二损失分别与对应的权重相乘，将两个乘积相加，将相加之和作为该混合视频数据对应的第三损失。

也就是说，除了需要进行视频数据的混合外，还需要进行标签的混合。第一视频数据和第二视频数据的标签均为已有的，如在动物分类场景中，所述标签可为“猫”或“狗”等。对于上述混合视频数据，可将其传入如视频分类模型的分类网络，得到预测输出，即预测结果，并可分别根据该混合视频数据对应的第一视频数据的标签及预测输出确定出第一损失以及根据该混合视频数据对应的第二视频数据的标签及预测输出确定出第二损失，如何确定出第一损失和第二损失为现有技术。进一步地，可将第一损失和第二损失进行加权求和，即可将第一损失和第二损失分别与对应的权重相乘，将两个乘积相加，将相加之和作为该混合视频数据对应的第三损失，即作为最终所需的损失。

比如，可有：Loss＝lambda×loss

其中，Loss表示第三损失，loss

通过上述处理，从batch角度对视频数据进行了增广，保留了视频数据的帧与帧之间的时空关系等，并将不同视频数据和标签均进行了混合，从而增加了数据的多样性，并可有效避免训练数据集较小时的过拟合等问题，进而提升了模型训练效果及模型性能等。

另外，视频数据不同于图像数据，具有时间延展性，不同视频数据的视频长度可能不同。

为此，本公开所述方案中还提出，在将任意两个视频数据进行混合之前，若确定两个视频数据的视频长度不一致，还可将两个视频数据的视频长度调整为一致。

具体地，在将两个视频数据的视频长度调整为一致时，可采用以下方式：

1)从两个视频数据中的第一视频数据中抽取出前N帧，N为大于一的正整数，利用抽取出的N帧组成调整后的第一视频数据，从两个视频数据中的第二视频数据中抽取出前N帧，利用抽取出的N帧组成调整后的第二视频数据。

2)按预定采样频率从第一视频数据中抽取出P帧，P为大于一的正整数，利用抽取出的P帧组成调整后的第一视频数据，按预定采样频率从第二视频数据中抽取出P帧，利用抽取出的P帧组成调整后的第二视频数据。

具体采用上述哪种方式可根据实际需要而定。

方式1)中，可分别从第一视频数据和第二视频数据中抽取出前N帧，利用抽取出的N帧组成调整后的第一视频数据和第二视频数据，从而使得调整后的第一视频数据和第二视频数据的视频长度相同，N的具体取值可根据实际需要而定。

方式2)中，分别按照预定采样频率从第一视频数据和第二视频数据中抽取出P帧，利用抽取出的P帧组成调整后的第一视频数据和第二视频数据，从而使得调整后的第一视频数据和第二视频数据的视频长度相同，P的具体取值也可根据实际需要而定，另外，所述采样频率的具体取值也可根据实际需要而定，比如，可每间隔一帧则抽取一帧等。

通过上述处理，确保了进行混合的两个视频数据的视频长度一致，从而提升了视频数据混合效果等。

另外，在实际应用中，还可对视频数据进行一些其它处理，相应地，针对第一视频数据和第二视频数据的混合操作还可分为早混合和晚混合两种方式。

图2为本公开所述混合操作的实现方式示意图。如图2所示，早混合的方式中可进一步包括方式a)和方式b)，方式a)中，可分别从第一视频数据和第二视频数据中抽取出前N帧，从而得到调整后的第一视频数据和调整后的第二视频数据，之后可对调整后的第一视频数据和调整后的第二视频数据进行混合，进一步地，可对得到的混合视频数据进行一些其它处理，方式b)中，可分别按照预定采样频率从第一视频数据和第二视频数据中抽取出P帧，从而得到调整后的第一视频数据和调整后的第二视频数据，之后可对调整后的第一视频数据和调整后的第二视频数据进行混合，进一步地，可对得到的混合视频数据进行一些其它处理。晚混合的方式中可进一步包括方式c)和方式d)，方式c)中，可分别从第一视频数据和第二视频数据中抽取出前N帧，从而得到调整后的第一视频数据和调整后的第二视频数据，之后可对调整后的第一视频数据和调整后的第二视频数据进行一些其它处理，进一步地，可将处理后的第一视频数据和第二视频数据进行混合，方式d)中，可分别按照预定采样频率从第一视频数据和第二视频数据中抽取出P帧，从而得到调整后的第一视频数据和调整后的第二视频数据，之后可对调整后的第一视频数据和调整后的第二视频数据进行一些其它处理，进一步地，可将处理后的第一视频数据和第二视频数据进行混合。所述其它处理具体包括哪些处理可根据实际需要而定，比如，可包括对视频数据中的帧进行裁剪、翻转等处理。

综合上述介绍，图3为本公开所述视频数据增广方法的整体实现过程示意图。如图3所示，其中的超参数即可指lambda。图3所示过程的具体实现请参照前述相关说明，不再赘述。

另外，本公开所述方法可适用于各种格式的视频数据，具有广泛适用性，如视频数据可为便携式媒体4(MP4，Media Portable 4)格式、音频视频交错(AVI，Audio VideoInterleaved)格式或向量格式的视频数据等。通常来说，一个batch内的各视频数据的格式是相同的，若不相同，可转换为统一的格式，即统一为相同的格式。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4为本公开所述视频数据增广装置实施例400的组成结构示意图。如图4所示，包括：第一获取模块401、第二获取模块402以及混合模块403。

第一获取模块401，用于在模型训练过程中，针对任一batch内的M个视频数据，M为大于一的正整数，利用原始顺序的M个视频数据组成第一视频序列。

第二获取模块402，用于对第一视频序列中的M个视频数据进行随机排序，得到第二视频序列。

混合模块403，用于分别将第一视频序列中的各视频数据与第二视频序列中的对应视频数据进行混合，得到M个混合视频数据，用于进行模型训练。

其中，混合模块403在将第一视频序列中的任一视频数据与第二视频序列中的任一视频数据进行混合时，可按照mixup方式或者cutmix方式等进行混合。

对于得到的任一混合视频数据，混合模块403还可分别进行以下处理：获取该混合视频数据对应的预测输出；根据该混合视频数据对应的第一视频数据的标签及预测输出确定出第一损失；根据该混合视频数据对应的第二视频数据的标签及预测输出确定出第二损失；根据第一损失及第二损失确定出该混合视频数据对应的第三损失，以便利用第三损失进行模型训练；其中，第一视频数据和第二视频数据为混合得到该混合视频数据的两个视频数据。比如，可将第一损失和第二损失分别与对应的权重相乘，将两个乘积相加，将相加之和作为该混合视频数据对应的第三损失。

另外，混合模块403在将任意两个视频数据进行混合之前，若确定两个视频数据的视频长度不一致，还可将两个视频数据的视频长度调整为一致。

具体地，在将两个视频数据的视频长度调整为一致时，混合模块403可采用以下方式：

1)从两个视频数据中的第一视频数据中抽取出前N帧，N为大于一的正整数，利用抽取出的N帧组成调整后的第一视频数据，从两个视频数据中的第二视频数据中抽取出前N帧，利用抽取出的N帧组成调整后的第二视频数据。

2)按预定采样频率从第一视频数据中抽取出P帧，P为大于一的正整数，利用抽取出的P帧组成调整后的第一视频数据，按预定采样频率从第二视频数据中抽取出P帧，利用抽取出的P帧组成调整后的第二视频数据。

具体采用上述哪种方式可根据实际需要而定。

图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，通过对视频数据进行排序和混合等操作，实现了视频数据增广，从而增加了数据的多样性，并可有效避免训练数据集较小时的过拟合等问题，进而提升了模型训练效果及模型性能等。

本公开所述方案可应用于人工智能领域，特别涉及深度学习及计算机视觉等领域。人工智能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。

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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502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)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

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，以解决传统物理主机与虚拟专用服务器(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。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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。