(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210621972.7 (22)申请日 2022.06.02 (65)同一申请的已公布的文献号 申请公布号 CN 114708449 A (43)申请公布日 2022.07.05 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 郭卉　 (74)专利代理 机构 北京三高永信知识产权代理 有限责任公司 1 1138 专利代理师 祝亚男 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/778(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 113688951 A,2021.1 1.23 US 20173 30054 A1,2017.1 1.16CN 113824989 A,2021.12.21 CN 114419641 A,202 2.04.29 CN 114286198 A,202 2.04.05 CN 114328942 A,202 2.04.12 US 2016148074 A1,2016.0 5.26 JP H11126257 A,19 99.05.11 US 2021049347 A1,2021.02.18 US 102420 35 B1,2019.0 3.26 CN 113343936 A,2021.09.0 3 梅锦鹏.自然场景视频文字 检测与在线跟踪 方法研究. 《中国优秀硕士学位 论文全文数据库 信息科技 辑》 .2022, Jialie Shen等.Perso nalized video similarity measure. 《Multimedia System s》 .2010,第17 卷 Sen-ching S. Cheung等.Ef ficent video similarity measurement w ith video signature. 《IE EE Transacti ons on Circuits and System s for Video Tec hnology》 .2003, (续) 审查员 刘利 (54)发明名称 相似视频的确定方法、 实例表征模 型的训练 方法及设备 (57)摘要 本申请公开了一种相似视频的确定方法、 实 例表征模型的训练方法及设备， 涉及人工智能技 术领域。 通过实例表征模型， 获取全量实例样本 集合中的多个实例样本分别对应的中间层实例 表征； 根据全量实例样本集合中的多个实例样本 分别对应的中间层实例表征， 确定多个平均实例 表征； 根据实例样本的中间层实例表征与实例样 本对应的最近平均实例表征之间的差异， 确定实 例样本的隐藏表征； 根据实例样本的隐藏表征， 确定实例样 本的最终实例表征； 根据全量实例样 本集合中的各个实例样本的最终实例表征， 确定 实例表征模 型的训练损失， 以对实例表征模型的参数进行调整， 能够对图像充分表征， 提高检测 结果的精度。 [转续页] 权利要求书5页 说明书26页 附图12页 CN 114708449 B 2022.08.23 CN 114708449 B (56)对比文件 胡振兴.基于内容的视频检索技 术研究. 《中 国优秀硕士学位 论文全文数据库 信息科技 辑》 .2011,张海燕.基 于语义的视频检索技 术研究. 《中 国优秀硕士学位 论文全文数据库 信息科技 辑》 .2014,2/2 页 2[接上页] CN 114708449 B1.一种实例表征模型的训练方法， 其特 征在于， 所述方法包括： 通过所述实例表征模型， 获取全量实例 样本集合中的多个实例样本分别对应的中间层 实例表征； 其中， 所述表征 是指嵌入向量， 用于描述图像的特 征； 根据所述全量实例 样本集合中的多个实例样本分别对应的中间层实例表征， 确定多个 平均实例表征， 所述平均实例表征是属于同一聚类集合的各个实例样本的中间层实例表征 的平均表征； 其中， 所述实例样本是实例的图像样本； 对于所述全量实例 样本集合中的各个所述实例 样本， 根据 所述实例 样本的中间层实例 表征与所述实例样本对应的最近平均实例表征之间的差异， 确定所述实例样本的隐藏表 征； 其中， 所述实例样本对应的最近平均实例表征是指所述多个平均实例表征中与所述实 例样本的中间层实例表征最接 近的平均实例表征； 根据所述实例样本的隐藏表征， 确定所述实例样本的最终实例表征， 所述实例样本的 最终实例表征用于反映所述实例样本所包 含的实例的特 征信息； 根据所述全量实例 样本集合中的各个所述实例 样本的最终实例表征， 确定所述实例表 征模型的训练损失， 以对所述实例表征模型的参数进行调整。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述全量实例 样本集合中的各个 所述实例样本的最终实例表征， 确定所述实例表征模型 的训练损失， 以对所述实例表征模 型的参数进行调整， 包括： 从所述全量实例样本集合包含的各个所述实例样本中， 提取多个样本对， 所述多个样 本对包括多个正样本对和多个负样本对； 其中， 每个所述正样本对包括的两个实例样本对 应于同一个实例， 每 个所述负 样本对包括的两个实例样本对应于 两个不同的实例； 根据所述正样本对包括的两个实例样本的最终实例表征之间的差异度， 以及所述负样 本对包括的两个实例样本的最终实例表征之间的差异度， 确定所述 实例表征模型的所述训 练损失； 根据所述训练损失对所述实例表征模型的参数进行调整。 3.根据权利要求2所述的方法， 其特征在于， 所述从所述全量实例 样本集合包含的各个 所述实例样本中， 提取多个样本对， 包括： 将所述全量实例样本集合包含的各个所述实例样本， 分为多个实例相似样本组， 每个 所述实例 相似样本组中包括多个对应于同一实例的实例样本； 从同一个所述实例相似样本组中提取两个实例样本， 生成一个所述正样本对， 得到所 述多个正样本对； 从两个不同的所述实例相似样本组中提取两个实例样本， 生成一个所述负样本对， 得 到所述多个负 样本对； 根据所述多个正样本对和所述多个负 样本对， 得到所述多个样本对。 4.根据权利要求3所述的方法， 其特征在于， 所述从两个不同的所述实例相似样本组中 提取两个实例样本， 生成一个所述负 样本对， 得到所述多个负 样本对， 包括： 对于所述多个实例相似样本组中的目标实例相似样本组， 从所述目标实例相似样本组 中提取一个实例样本作为锚点样本； 从除所述目标实例相似样本组之外的其他实例相似样本组中， 分别提取至少一个实例 样本作为所述锚点样本对应的负 样本；权　利　要　求　书 1/5 页 2 CN 114708449 B 3