用于加权预测的预测模型训练方法、装置、设备及介质与流程

本公开涉及机器学习、人工智能等，具体涉及视频编码，尤其涉及用于加权预测的预测模型训练方法、装置、设备及介质。

背景技术：

1、在视频编码中，帧间预测是一种常见的技术，用于利用视频序列中相邻帧之间的相关性来减少数据的冗余性。加权预测在帧间预测中为不同类型的预测模式分配权重，以便在编码过程中根据各种预测的表现情况动态调整权重。通过合理地调整权重，可以更好地利用各种预测模式的优势，提高视频编码的效率和质量，从而在压缩视频数据时获得更好的视觉效果和压缩率。

2、目前没有较好的确定是否需要进行加权预测的方法，因此，该问题对于本领域技术人员来说亟待解决。

技术实现思路

1、本公开提供了一种用于加权预测的预测模型训练方法、装置、电子设备及存储介质。

2、根据本公开的一方面，提供了一种用于加权预测的预测模型训练方法，包括：

3、获取与多个视频序列对应的视频特征以及视频标签；

4、从与多个视频序列对应的视频特征中进行特征选择，并将选择的视频特征按照特征重要程度进行排序，得到排序后的视频特征；

5、根据每个视频特征的重要程度占比大小从所述排序后的视频特征中再次进行特征选择，得到待选择的视频特征；

6、根据所述待选择的视频特征以及与所述待选择的视频特征对应的视频标签对待训练模型进行训练，得到用于加权预测的预测模型。

7、根据本公开的另一方面，提供了用于加权预测的预测模型训练装置，包括：

8、获取模块，用于获取与多个视频序列对应的视频特征以及视频标签；

9、第一选择模块，用于从与多个视频序列对应的视频特征中进行特征选择，并将选择的视频特征按照特征重要程度进行排序，得到排序后的视频特征；

10、第二选择模块，用于根据每个视频特征的重要程度占比大小从所述排序后的视频特征中再次进行特征选择，得到待选择的视频特征；

11、训练模块，用于根据所述待选择的视频特征以及与所述待选择的视频特征对应的视频标签对待训练模型进行训练，得到用于加权预测的预测模型。

12、根据本公开的第三方面，提供了一种电子设备，包括：

13、至少一个处理器；以及

14、与所述至少一个处理器通信连接的存储器；其中，

15、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上述技术方案中任一项所述的方法。

16、根据本公开的第四方面，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上述技术方案中任一项所述的方法。

17、根据本公开的第五方面，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上述技术方案中任一项所述的方法。

18、本公开提供了用于加权预测的预测模型训练方法、装置、设备以及存储介质，本公开从与多个视频序列对应的视频特征中进行特征选择，然后对选择的视频特征按照特征重要程度进行排序，接着根据每个视频特征的重要程度占比大小进行再次选择，如此，可以选择出与预测结果相关性更高的特征，从而可以训练出更好的预测模型，进而可以提升预测模型的准确性，即通过该方式可以训练得到预测准确性较高的预测模型，进而有利于提升加权预测结果的准确性。

19、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。

技术特征：

1.一种用于加权预测的预测模型训练方法，包括：

2.根据权利要求1所述的方法，其中，所述获取与多个视频序列对应的视频特征以及视频标签，包括：

3.根据权利要求2所述的方法，其中，所述对多个视频序列进行标签确定，得到与多个视频序列对应的视频标签，包括：

4.根据权利要求1所述的方法，其中，所述从与多个视频序列对应的视频特征中进行特征选择，并将选择的视频特征按照特征重要程度进行排序，得到排序后的视频特征，包括：

5.根据权利要求4所述的方法，其中，所述将选择的视频特征输入到机器学习模型中，通过所述机器学习模型对选择的视频特征重要程度进行排序，得到排序后的视频特征，包括：

6.根据权利要求1所述的方法，其中，所述根据每个视频特征的重要程度占比大小从所述排序后的视频特征中再次进行特征选择，得到待选择的视频特征，包括：

7.根据权利要求1所述的方法，其中，所述根据所述待选择的视频特征以及与所述待选择的视频特征对应的视频标签对待训练模型进行训练，得到用于加权预测的预测模型，包括：

8.根据权利要求1至7任意一项所述的方法，其中，在得到用于加权预测的预测模型之后，所述方法还包括：

9.一种用于加权预测的预测模型训练装置，包括：

10.根据权利要求9所述的装置，其中，所述获取模块获取与多个视频序列对应的视频特征以及视频标签，包括：

11.根据权利要求10所述的装置，其中，所述获取模块对多个视频序列进行标签确定，得到与多个视频序列对应的视频标签，包括：

12.根据权利要求9所述的装置，其中，所述第一选择模块从与多个视频序列对应的视频特征中进行特征选择，并将选择的视频特征按照特征重要程度进行排序，得到排序后的视频特征，包括：

13.根据权利要求12所述的装置，其中，所述第一选择模块将选择的视频特征输入到机器学习模型中，通过所述机器学习模型对选择的视频特征重要程度进行排序，得到排序后的视频特征，包括：

14.根据权利要求9所述的装置，其中，所述第二选择模块根据每个视频特征的重要程度占比大小从所述排序后的视频特征中再次进行特征选择，得到待选择的视频特征，包括：

15.根据权利要求9所述的装置，其中，所述训练模块根据所述待选择的视频特征以及与所述待选择的视频特征对应的视频标签对待训练模型进行训练，得到用于加权预测的预测模型，包括：

16.根据权利要求9至15任意一项所述的装置，其中，在得到用于加权预测的预测模型之后，所述训练模块还用于获取待预测视频序列；

17.一种电子设备，包括：

18.一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1-8中任一项所述的方法。

19.一种计算机程序产品，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1-8中任一项所述的方法。

技术总结本公开提供了一种用于加权预测的预测模型训练方法、装置、设备及介质，涉及机器学习、人工智能等技术领域，尤其涉及视频编码技术领域。具体实现方案为：获取与多个视频序列对应的视频特征以及视频标签；从与多个视频序列对应的视频特征中进行特征选择，并将选择的视频特征按照特征重要程度进行排序，得到排序后的视频特征；根据每个视频特征的重要程度占比大小从排序后的视频特征中再次进行特征选择，得到待选择的视频特征；根据待选择的视频特征以及与待选择的视频特征对应的视频标签对待训练模型进行训练，得到用于加权预测的预测模型。本公开通过选择出与预测结果相关性更高的特征，从而可以训练得到预测准确性较高的预测模型。技术研发人员：张旭受保护的技术使用者：北京百度网讯科技有限公司技术研发日：技术公布日：2024/12/2