本公开涉及视频处理技术领域，具体地，涉及一种视频识别方法、装置、存储介质及电子设备。
背景技术：
视频的理解与识别是计算机视觉的基础任务之一。随着视频设备和网络的普及，视频理解与识别在多媒体摘要和编辑(例如广告派生、用户增长等)方面具有广泛的应用。其中，语音识别和字幕识别是视频理解的两个基础技术。但是，相关技术通常是独立进行字幕识别和语音识别，然后通过对两个独立的识别结果进行匹配融合，从而确定最终的输出结果。当视频画面中存在多个字幕时，可能导致字幕识别结果不准确，从而导致最终的视频识别结果不准确。
技术实现要素：
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种视频识别方法，所述方法包括：
确定目标视频中目标时间段对应的语音信息以及字幕图像；
将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下方式得到所述视频识别结果：
从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
第二方面，本公开提供一种视频识别装置，所述装置包括：
确定模块，用于确定目标视频中目标时间段对应的语音信息以及字幕图像；
识别模块，用于将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下模块得到所述视频识别结果：
提取子模块，用于从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
融合子模块，用于通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时第一方面中所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，可以在得到目标视频目标时间段的语音信息和字幕图像后，将该语音信息和字幕图像输入视频识别模型进行语音和字幕的融合识别，相较于相关技术中将语音和字幕独立识别的方式，可以确定语音所表示的视频的关键字幕信息，减少多个字幕对视频识别的干扰，提高视频识别的准确率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种视频识别方法的流程图；
图2是根据本公开一示例性实施例示出的一种视频识别方法中视频识别模型的示意图；
图3是根据本公开一示例性实施例示出的一种视频识别装置的框图；
图4是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
正如背景技术所言，相关技术中在视频的理解和识别过程中，通常独立进行字幕和语音的识别，当视频画面中存在多个字幕时，可能导致字幕识别结果不准确，从而导致最终的视频识别结果不准确。
有鉴于此，本公开实施例提供一种视频识别方法、装置、存储介质及电子设备，以将语音和字幕进行融合识别，可以确定语音所表示的视频的关键字幕信息，减少多个字幕对视频识别的干扰。
图1是根据本公开一示例性实施例示出的一种视频识别方法的流程图。参照图1，该视频识别方法可以包括：
步骤101，确定目标视频中目标时间段对应的语音信息以及字幕图像；
步骤102，将语音信息和字幕图像输入视频识别模型，以得到用于表征目标视频内容的视频识别结果；
其中，视频识别模型用于通过如下方式得到视频识别结果：
从语音信息提取语音特征，并从字幕图像提取字幕特征；
通过注意力机制将语音特征和字幕特征进行融合计算，以生成视频识别结果。
示例地，目标视频可以是用户在网络上浏览或者下载的视频，针对该目标视频进行识别，可以了解用户感兴趣的内容，从而对用户进行广告投放等等。或者，目标视频可以是通过电子设备的摄像头拍摄的存储在电子设备中的视频，在用户将该目标视频上传至网络的过程中，可以对该目标视频进行视频，以自动生成该目标视频对应的介绍信息等等。本公开实施例对于视频识别的应用场景不作限定。
示例地，目标时间段可以是目标视频中的任意时间段，该目标时间段的时间长度小于等于目标视频的总时间长度。在具体实施时，可以利用vad(voiceactivitydetection，语音活动检测)将目标视频中的语音切割成多个语音片段，每一语音片段表征的时间长度为目标时间段。相应地，可以将目标时间段内的每一帧视频图像进行字幕截取，以获得字幕图像。当然，在其他可能的方式中，也可以自定义目标时间段，然后根据自定义的目标时间段确定对应的语音信息和字幕图像，本公开实施例对此不作限定。
在确定目标视频中目标时间段对应的语音信息以及字幕图像之后，可以将该语音信息和字幕图像输入视频识别模型，以得到用于表征目标视频内容的视频识别结果。其中，视频识别模型可以先从语音信息提取语音特征，并从字幕图像提取字幕特征。示例地，视频识别模型可以包括语音模块和字幕模块，语音模块用于从语音信息提取语音特征，字幕模块用于从字幕图像提取字幕特征。应当理解的是，语音模块和字幕识别模块的具体结构可以和相关技术中类似，比如语音模块和字幕模块均可以是cnn(convolutionalneuralnetworks，卷积神经网络)等等，本公开实施例不作限定。
由于字幕特征和语音特征是按照时间维度展开的特征，且时间长短通常不一致，因此可以通过注意力机制(attentionmechanism)将语音特征和字幕特征进行融合计算，以生成视频识别结果。其中，注意力机制(attentionmechanism)是机器学习中的一种数据处理方法，可以根据具体任务目标，对关注的方向和加权模型进行调整，比如在神经网络的隐藏层，增加注意力机制的加权。在本公开实施例中，基于注意力机制可以通过权重融合的方式将语音特征和字幕特征进行融合计算，以生成视频识别结果。
在可能的方式中，可以先通过注意力机制在字幕特征对应的字幕隐状态的基础上融合语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在语音特征对应的语音隐状态的基础上融合字幕特征对应的字幕隐状态，以确定目标语音隐状态，然后通过注意力机制融合目标字幕隐状态和目标语音隐状态，以确定字幕语音融合特征，最后根据字幕语音融合特征生成视频识别结果。
为了方便理解，首先说明隐状态的概念。在神经网络模型中，是从输入层到隐藏层再到输出层，为了建模序列问题，引入了隐状态(hiddenstate)的概念，隐状态可以对序列形的数据提取特征，接着再转换为输出，可以理解的是，隐状态为输入与输出的中间状态。在本公开实施例中，字幕特征对应的字幕隐状态则是指对字幕特征再进一步提取特征而得到的结果。比如通过类似于lstm(longshort-termmemory、长短期记忆人工神经网络)或者gru(gatedrecurrentunit，门控循环单元)的rnn(recurrentneuralnetwork，循环神经网络)对字幕特征进一步提取特征，以得到字幕隐状态。
类似的，语音特征对应的语音隐状态指的是对语音特征再进一步提取特征而得到的结果。比如通过类似于lstm或者gru的rnn网络对语音特征再进一步提取特征，以得到语音隐状态。其中，字幕隐状态和语音隐状态都是按照时间维度展开的特征向量。比如，字幕隐状态可以表示为：
正如前文所说，考虑到语音特征和字幕特征的时间长度不一致，因此可以通过注意力机制进行隐式对齐再进行特征融合计算。也即是说，可以在生成字幕特征对应的隐状态时通过权重融合的方式将语音特征对应的隐状态融合到字幕特征的隐状态中，以得到目标字幕隐状态。同样，可以在生成语音特征对应的隐状态时通过权重融合的方式将字幕特征对应的隐状态融合到语音特征的隐状态中，以得到目标语音隐状态。
在可能的方式中，确定目标字幕隐状态和目标语音隐状态可以是：先确定每一时刻的字幕隐状态与该时刻对应的语音隐状态之间的点积相似度，再按照字幕隐状态的时间长度，将每一时刻对应的点积相似度进行归一化，以得到每一时刻对应的字幕融合权重，并根据每一时刻的字幕融合权重将每一时刻的字幕隐状态进行融合计算，以确定目标字幕隐状态。并按照语音隐状态的时间长度，将每一时刻对应的点积相似度进行归一化，以得到每一时刻对应的语音融合权重，并根据每一时刻的语音融合权重将每一时刻的语音隐状态进行融合计算，以确定目标语音隐状态。
在可能的方式中，为了简化计算，提升模型的运算效率，可以先将字幕隐状态和语音隐状态进行降维处理，以使字幕隐状态和语音隐状态的特征维度相同，然后再确定目标字幕隐状态和目标语音隐状态。例如，可以按照如下公式，将字幕隐状态和语音隐状态分别输入两层全连接神经网络(mlp)，以将字幕隐状态和语音隐状态分别降维成统一的维度d：
然后，可以基于降维后的字幕隐状态和语音隐状态，通过上述方式确定目标字幕隐状态和目标语音隐状态。
示例地，可以按照如下公式确定每一时刻的字幕隐状态与该时刻对应的语音隐状态之间的点积相似度et,k：
et,k＝dot(mlp(st),mlp(vk))
其中，dot表示点积相似度计算，st表示字幕隐状态s在t时刻的状态，vk表示语音隐状态v在k时刻的状态。
然后针对目标字幕隐状态，可以按照字幕隐状态的时间长度，将每一时刻对应的点积相似度进行归一化，以得到每一时刻对应的字幕融合权重at,k：
最后，根据每一时刻的字幕融合权重将每一时刻的字幕隐状态进行融合计算，以确定目标字幕隐状态。示例地，可以先根据每一时刻的字幕融合权重将每一时刻的字幕隐状态进行融合计算，以得到第一语义向量ct：
然后，将第一语义向量输入rnn网络中，以得到目标字幕隐状态svt：
svt＝rnn(svt-1,ct)
其中，sv0等于s0。
类似的，对于目标语音隐状态，可以按照语音隐状态的时间长度，将每一时刻对应的点积相似度进行归一化，以得到每一时刻对应的语音融合权重ak,t：
最后，根据每一时刻的语音融合权重将每一时刻的语音隐状态进行融合计算，以确定目标语音隐状态。示例地，可以先根据每一时刻的语音融合权重将每一时刻的语音隐状态进行融合计算，以得到第二语义向量ck：
然后，将第二语义向量输入rnn网络中，以得到目标语音隐状态vsk：
vsk＝rnn(vsk-1,ck)
其中，vs0等于v0。
在神经网络中为了处理输入输出为不等长序列的问题，提出了编码器到译码器(encoder-decoder)的rnn网络结构。具体的，可以将输入数据编码成语义向量，该语义向量可以有多种表达方式，比如可以把编码器的最后一个隐状态赋值给语义向量，或者还可以对最后的隐状态做一个变换得到语义向量，或者也可以对所有的隐状态做变换得到语义向量，等等。
在本公开实施例中，第一语义向量可以根据每一时刻的字幕融合权重将每一时刻的字幕隐状态进行融合计算而得到，第二语义向量可以根据每一时刻的语音融合权重将每一时刻的语音隐状态进行融合计算而得到。也即是说，本公开实施例采用的是对所有的隐状态做变换得到语义向量。并且在得到语义向量的过程中，基于注意力机制通过权重融合的方式确定语义向量，每一个语义向量会自动去选取与当前所要输出的特征最合适的上下文信息(比如svt-1或vsk-1)，从而得到更加准确的输出结果。
应当理解的是，上述举例说明的是将字幕隐状态和语音隐状态降维到统一维度后的处理过程，在其他可能的方式中，若不考虑模型的运算效率，也可以直接将字幕隐状态和语音隐状态用于确定目标字幕隐状态和目标语音隐状态，具体的过程与上文所述方式类似，这里不再赘述。
在确定目标字幕隐状态和目标语音隐状态后，可以通过注意力机制融合目标字幕隐状态和目标语音隐状态，以确定字幕语音融合特征，从而根据字幕语音融合特征生成视频识别结果，以提高视频识别结果的准确性。
在可能的方式中，视频识别模型可以包括目标注意力模块，该目标注意力模块用于通过注意力机制融合目标字幕隐状态和目标语音隐状态，以确定字幕语音融合特征。进一步，目标注意力模块可以通过如下方式确定字幕语音融合特征：
确定每一时刻的目标注意力模块的隐状态和该时刻对应的目标字幕隐状态之间的点积相似度，以得到字幕点积相似度，并对字幕点积相似度进行归一化，以得到字幕特征权重，根据字幕特征权重对每一时刻的目标字幕隐状态进行加权求和，以得到目标字幕特征，并确定每一时刻的目标注意力模块的隐状态和该时刻对应的所述目标语音隐状态之间的点积相似度，以得到语音点积相似度，并对语音点积相似度进行归一化，以得到语音特征权重，根据语音特征权重对每一时刻的所述目标语音隐状态进行加权求和，以得到目标语音特征。最后，将目标字幕特征和目标语音特征相加，以得到字幕语音融合特征。
示例地，目标注意力模块的隐状态是指目标注意力模块对输入的数据提取特征，然后对该特征进行转换后进行输出的过程中，对输入的数据提取特征而得到的中间结果。每一时刻由于输入的数据不同，因此目标注意力模块的隐状态不同。在本公开实施例中，为了确定字幕语音融合特征，可以先确定每一时刻的目标注意力模块的隐状态和该时刻对应的目标字幕隐状态之间的点积相似度，以得到字幕点积相似度oi,t：
oi,t＝dot(qi,svi)
其中，qi表示第i时刻目标注意力模块的隐状态。
然后，对字幕点积相似度进行归一化，以得到字幕特征权重o′i,t：
接着，可以根据字幕特征权重对每一时刻的目标字幕隐状态进行加权求和，以得到目标字幕特征
类似地，可以确定每一时刻的目标注意力模块的隐状态和该时刻对应的目标语音隐状态之间的点积相似度，以得到语音点积相似度：
ui,k＝dot(qi,vsi)
然后，对语音点积相似度进行归一化，以得到语音特征权重ui,k：
接着，可以根据语音特征权重对每一时刻的目标语音隐状态进行加权求和，以得到目标语音特征
最后，可以将目标字幕特征和目标语音特征相加，以得到字幕语音融合特征hi：
通过上述方式，可以基于注意力机制将目标字幕隐状态和目标语音隐状态进行融合计算，以确定用于生成视频识别结果的字幕语音融合特征，通过此种权重融合的方式，相较于相关技术中将字幕和语音分开独立识别的方式，可以确定语音所表示的视频的关键字幕信息，减少多个字幕对视频识别的干扰。
在确定字幕语音融合特征之后，则可以根据该字幕语音融合特征生成视频识别结果。应当理解的是，本公开实施例中视频识别结果是一个字一个字输出，从而得到用于表征目标视频内容的文本结果。在可能的方式中，为了提高识别准确率，可以结合上下文信息进行视频识别，即可以将本次识别的字结果作为下一次的输入。
具体的，可以根据字幕语音可以将开始字符作为初始的字识别结果，针对每一次确定的字识别结果，执行以下处理：将字识别结果和字幕语音融合特征输入循环神经网络，并将循环神经网络的输出结果输入全连接层，以确定新的字识别结果，直到字识别结果为终止字符，该字幕语音融合特征是通过注意力机制对本次识别过程中目标注意力模块的隐状态、每一时刻的目标字幕隐状态和每一时刻的目标语音隐状态进行处理而得到的，最后可以将每一次确定的字识别结果进行组合，以得到视频识别结果。
示例地，开始字符和终止字符均可以是相关技术中规定的字符，这里不再赘述。在具体实施，可以将开始字符作为初始的字识别结果。首先确定开始字符的one-hot向量，然后对该one-hot向量进行embedding操作，并通过一种可学习的权重确定开始字符对应的特征向量ii-1。然后可以将开始字符对应的特征向量ii-1与字幕语音融合特征hi输入rnn网络：
mi＝rnn(ii-1,hi)
其中，mi表示rnn网络的输出结果。
然后，可以将rnn网络的输出结果输入全连接层(mlp)，以确定新的字识别结果：
ci＝mlp(mi)
其中，ci表示全连接层输出字的概率。根据ci通过相关技术中的方式，可以确定本次字识别结果对应的文字。然后确定该文字的one-hot向量，并对该one-hot向量进行embedding操作，同时通过一种可学习的权重确定该文字对应的特征向量ii-1，即可以得到新的特征向量ii-1，然后将该新的特征向量ii-1输入rnn网络，则可以得到新的字识别结果，按照此种方式循环执行，直到字识别结果为终止字符，然后可以将每一次确定的字识别结果进行组合，最终得到句子级别的视频识别结果。
通过上述方式，在视频识别结果中，可以将字幕和语音进行融合识别，并且可以结合上下文信息进行视频识别，将本次识别的字结果作为下一次的输入，从而可以确定语音所表示的视频的关键字幕信息，减少多个字幕对视频识别的干扰，提高视频识别结果的准确率。
对于上述视频识别模型中注意力机制相关部分的训练与相关技术中类似，这里不再赘述。而对于上述视频识别模型中字幕识别部分和语音识别部分的训练，在视频识别模型包括用于提取字幕特征的字幕模块和用于提取语音特征的语音模块的情况下，可以先对字幕模块进行初始训练，然后，针对每一次训练后的字幕模块，执行以下训练步骤：在控制训练后的字幕模块的参数保持不变的情况下，将同时带有语音和字幕的第一视频样本输入字幕模块，以得到字幕识别结果，并根据字幕识别结果和第一视频样本中的语音信息训练所述语音模块，然后在控制训练后的语音模块的参数保持不变的情况下，通过同时带有语音和字幕的第二视频样本训练字幕模块，直到训练次数达到预设次数或者视频识别模型的参数满足预设条件。
示例地，预设次数可以根据实际情况设定，本公开实施例对此不作限定。预设条件可以是视频识别模型的损失函数较小或者其他任意用于表征视频识别模型输出的视频识别结果较准确的条件，本公开实施例也不作限定。
相关技术中，语音模块需要大量标注的数据进行训练，但是难以获取大量的标注数据。在本公开实施例中可以根据字幕模块的输出结果训练语音模块，可以减少用于获取标注数据的人力和时间，或者在可能的方式中，还可以不使用标注数据，即仅通过字幕模块的输出结果训练语音模块。
此外，按照相关技术中将语音模块和字幕模块单独训练的方式，可能导致语音识别可能存在较多相似音的识别错误，字幕识别可能存在许多形似的识别错误。在本公开实施例中通过联合特征学习的方式可以同时减少语音识别中相似音的错误以及字幕识别中形似的错误。
例如，首先固定语音模块的参数，并将语音数据置0或者取均值，学习字幕模块的参数，以实现对字幕模块的初始训练。然后执行a训练步骤：固定字幕识别模块的参数，并利用大量的电影、电视剧、短视频等同时带有字幕和语音的数据训练语音模块，在此过程中利用的标注信息为字幕模块的输出结果。然后可以执行b训练步骤：固定语音模块的参数，并利用大量的电影、电视剧、短视频等同时带有字幕和语音的数据训练字幕模块。经过a训练步骤到b训练步骤，再到a训练步骤，再到b训练步骤多次循环训练，最终可以实现语音模块和字幕模块的同时训练。
通过上述方式，将视频识别模型中的语音模块和字幕模块进行联合训练，可以减少用于训练语音模块的样本标注量，并减少语音识别对于相似音的识别错误以及字幕识别对于形似的识别错误，提高字幕模块和语音模块的识别精度，从而提高视频识别结果的准确率。
下面参照图2，对本公开实施例提供的视频识别方法进行说明。
参照图2，对于视频识别模型在目标时间段对应的语音信息和字幕图像，分别通过cnn网络提取特征，以得到字幕特征和语音特征。该cnn网络的结构和相关技术类似，可以包括输入层、隐藏层和输出层，从而cnn网络可以分别对字幕特征和语音特征进一步提取特征，以得到字幕隐状态s0至
基于同一发明构思，本公开实施例还提供一种视频识别装置，该视频识别装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图3，该视频识别装置300可以包括：
确定模块301，用于确定目标视频中目标时间段对应的语音信息以及字幕图像；
识别模块302，用于将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下模块得到所述视频识别结果：
提取子模块3021，用于从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
融合子模块3022，用于通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
可选地，所述融合子模块3022用于：
通过注意力机制在所述字幕特征对应的字幕隐状态的基础上融合所述语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在所述语音特征对应的语音隐状态的基础上融合所述字幕特征对应的字幕隐状态，以确定目标语音隐状态；
通过注意力机制融合所述目标字幕隐状态和所述目标语音隐状态，以确定字幕语音融合特征；
根据所述字幕语音融合特征生成所述视频识别结果。
可选地，所述融合子模块3022用于：
确定每一时刻的所述字幕隐状态与该时刻对应的语音隐状态之间的点积相似度；
按照所述字幕隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的字幕融合权重，并根据每一时刻的所述字幕融合权重将每一时刻的所述字幕隐状态进行融合计算，以确定所述目标字幕隐状态；
按照所述语音隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的语音融合权重，并根据每一时刻的所述语音融合权重将每一时刻的所述语音隐状态进行融合计算，以确定所述目标语音隐状态。
可选地，所述融合子模块3022用于：
在确定所述目标字幕隐状态和所述目标语音隐状态之前，将所述字幕隐状态和所述语音隐状态进行降维处理，以使所述字幕隐状态和所述语音隐状态的特征维度相同。
可选地，所述视频识别模型包括目标注意力模块，所述目标注意力模块用于确定所述字幕语音融合特征，进一步用于：
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标字幕隐状态之间的点积相似度，以得到字幕点积相似度，并对所述字幕点积相似度进行归一化，以得到字幕特征权重，根据所述字幕特征权重对每一时刻的所述目标字幕隐状态进行加权求和，以得到目标字幕特征；
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标语音隐状态之间的点积相似度，以得到语音点积相似度，并对所述语音点积相似度进行归一化，以得到语音特征权重，根据所述语音特征权重对每一时刻的所述目标语音隐状态进行加权求和，以得到目标语音特征；
将所述目标字幕特征和所述目标语音特征相加，以得到所述字幕语音融合特征。
可选地，所述融合子模块3022用于：
将开始字符作为初始的字识别结果，针对每一次确定的字识别结果，执行以下处理：
将所述字识别结果和所述字幕语音融合特征输入循环神经网络，并将所述循环神经网络的输出结果输入全连接层，以确定新的字识别结果，直到所述字识别结果为终止字符，所述字幕语音融合特征是通过注意力机制对本次识别过程中所述目标注意力模块的隐状态、每一时刻的所述目标字幕隐状态和每一时刻的所述目标语音隐状态进行处理而得到的；
将每一次确定的所述字识别结果进行组合，以得到所述视频识别结果。
可选地，所述视频识别模型包括用于提取所述字幕特征的字幕模块和用于提取所述语音特征的语音模块，所述装置300还包括用于训练视频识别模型的训练模块，所述训练模块用于：
对所述字幕模块进行初始训练；
针对每一次训练后的字幕模块，执行以下训练步骤：
在控制训练后的所述字幕模块的参数保持不变的情况下，将同时带有语音和字幕的第一视频样本输入所述字幕模块，以得到字幕识别结果，并根据所述字幕识别结果和所述第一视频样本中的语音信息训练所述语音模块；
在控制训练后的所述语音模块的参数保持不变的情况下，通过同时带有语音和字幕的第二视频样本训练所述字幕模块，直到训练次数达到预设次数或者所述视频识别模型的参数满足预设条件。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一视频识别方法的步骤。
基于同一发明构思，本公开实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一视频识别方法的步骤。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定目标视频中目标时间段对应的语音信息以及字幕图像；将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；其中，所述视频识别模型用于通过如下方式得到所述视频识别结果：从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
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。
根据本公开的一个或多个实施例，示例1提供了一种视频识别方法，包括：
确定目标视频中目标时间段对应的语音信息以及字幕图像；
将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下方式得到所述视频识别结果：
从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果，包括：
通过注意力机制在所述字幕特征对应的字幕隐状态的基础上融合所述语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在所述语音特征对应的语音隐状态的基础上融合所述字幕特征对应的字幕隐状态，以确定目标语音隐状态；
通过注意力机制融合所述目标字幕隐状态和所述目标语音隐状态，以确定字幕语音融合特征；
根据所述字幕语音融合特征生成所述视频识别结果。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述通过注意力机制在所述字幕特征对应的字幕隐状态的基础上融合所述语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在所述语音特征对应的语音隐状态的基础上融合所述字幕特征对应的字幕隐状态，以确定目标语音隐状态，包括：
确定每一时刻的所述字幕隐状态与该时刻对应的语音隐状态之间的点积相似度；
按照所述字幕隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的字幕融合权重，并根据每一时刻的所述字幕融合权重将每一时刻的所述字幕隐状态进行融合计算，以确定所述目标字幕隐状态；
按照所述语音隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的语音融合权重，并根据每一时刻的所述语音融合权重将每一时刻的所述语音隐状态进行融合计算，以确定所述目标语音隐状态。
根据本公开的一个或多个实施例，示例4提供了示例2或3的方法，在确定所述目标字幕隐状态和所述目标语音隐状态之前，所述方法还包括：
将所述字幕隐状态和所述语音隐状态进行降维处理，以使所述字幕隐状态和所述语音隐状态的特征维度相同。
根据本公开的一个或多个实施例，示例5提供了示例2或3的方法，所述视频识别模型包括目标注意力模块，所述目标注意力模块用于确定所述字幕语音融合特征，进一步用于：
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标字幕隐状态之间的点积相似度，以得到字幕点积相似度，并对所述字幕点积相似度进行归一化，以得到字幕特征权重，根据所述字幕特征权重对每一时刻的所述目标字幕隐状态进行加权求和，以得到目标字幕特征；
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标语音隐状态之间的点积相似度，以得到语音点积相似度，并对所述语音点积相似度进行归一化，以得到语音特征权重，根据所述语音特征权重对每一时刻的所述目标语音隐状态进行加权求和，以得到目标语音特征；
将所述目标字幕特征和所述目标语音特征相加，以得到所述字幕语音融合特征。
根据本公开的一个或多个实施例，示例6提供了示例2或3的方法，所述根据所述字幕语音融合特征生成所述视频识别结果，包括：
将开始字符作为初始的字识别结果，针对每一次确定的字识别结果，执行以下处理：
将所述字识别结果和所述字幕语音融合特征输入循环神经网络，并将所述循环神经网络的输出结果输入全连接层，以确定新的字识别结果，直到所述字识别结果为终止字符，所述字幕语音融合特征是通过注意力机制对本次识别过程中所述目标注意力模块的隐状态、每一时刻的所述目标字幕隐状态和每一时刻的所述目标语音隐状态进行处理而得到的；
将每一次确定的所述字识别结果进行组合，以得到所述视频识别结果。
根据本公开的一个或多个实施例，示例7提供了示例1至3任一的方法，所述视频识别模型包括用于提取所述字幕特征的字幕模块和用于提取所述语音特征的语音模块，所述视频识别模型的训练步骤包括：
对所述字幕模块进行初始训练；
针对每一次训练后的字幕模块，执行以下训练步骤：
在控制训练后的所述字幕模块的参数保持不变的情况下，将同时带有语音和字幕的第一视频样本输入所述字幕模块，以得到字幕识别结果，并根据所述字幕识别结果和所述第一视频样本中的语音信息训练所述语音模块；
在控制训练后的所述语音模块的参数保持不变的情况下，通过同时带有语音和字幕的第二视频样本训练所述字幕模块，直到训练次数达到预设次数或者所述视频识别模型的参数满足预设条件。
根据本公开的一个或多个实施例，示例8提供了一种视频识别装置，所述装置包括：
确定模块，用于确定目标视频中目标时间段对应的语音信息以及字幕图像；
识别模块，用于将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下模块得到所述视频识别结果：
提取子模块，用于从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
融合子模块，用于通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述融合子模块用于：
通过注意力机制在所述字幕特征对应的字幕隐状态的基础上融合所述语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在所述语音特征对应的语音隐状态的基础上融合所述字幕特征对应的字幕隐状态，以确定目标语音隐状态；
通过注意力机制融合所述目标字幕隐状态和所述目标语音隐状态，以确定字幕语音融合特征；
根据所述字幕语音融合特征生成所述视频识别结果。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述融合子模块用于：
确定每一时刻的所述字幕隐状态与该时刻对应的语音隐状态之间的点积相似度；
按照所述字幕隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的字幕融合权重，并根据每一时刻的所述字幕融合权重将每一时刻的所述字幕隐状态进行融合计算，以确定所述目标字幕隐状态；
按照所述语音隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的语音融合权重，并根据每一时刻的所述语音融合权重将每一时刻的所述语音隐状态进行融合计算，以确定所述目标语音隐状态。
根据本公开的一个或多个实施例，示例11提供了示例9或10的装置，所述融合子模块用于：
在确定所述目标字幕隐状态和所述目标语音隐状态之前，将所述字幕隐状态和所述语音隐状态进行降维处理，以使所述字幕隐状态和所述语音隐状态的特征维度相同。
根据本公开的一个或多个实施例，示例12提供了示例9或10的装置，所述视频识别模型包括目标注意力模块，所述目标注意力模块用于确定所述字幕语音融合特征，进一步用于：
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标字幕隐状态之间的点积相似度，以得到字幕点积相似度，并对所述字幕点积相似度进行归一化，以得到字幕特征权重，根据所述字幕特征权重对每一时刻的所述目标字幕隐状态进行加权求和，以得到目标字幕特征；
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标语音隐状态之间的点积相似度，以得到语音点积相似度，并对所述语音点积相似度进行归一化，以得到语音特征权重，根据所述语音特征权重对每一时刻的所述目标语音隐状态进行加权求和，以得到目标语音特征；
将所述目标字幕特征和所述目标语音特征相加，以得到所述字幕语音融合特征。
根据本公开的一个或多个实施例，示例13提供了示例9或10的装置，所述融合子模块用于：
将开始字符作为初始的字识别结果，针对每一次确定的字识别结果，执行以下处理：
将所述字识别结果和所述字幕语音融合特征输入循环神经网络，并将所述循环神经网络的输出结果输入全连接层，以确定新的字识别结果，直到所述字识别结果为终止字符，所述字幕语音融合特征是通过注意力机制对本次识别过程中所述目标注意力模块的隐状态、每一时刻的所述目标字幕隐状态和每一时刻的所述目标语音隐状态进行处理而得到的；
将每一次确定的所述字识别结果进行组合，以得到所述视频识别结果。
根据本公开的一个或多个实施例，示例14提供了示例8至10任一的装置，所述视频识别模型包括用于提取所述字幕特征的字幕模块和用于提取所述语音特征的语音模块，所述装置还包括用于训练视频识别模型的训练模块，所述训练模块用于：
对所述字幕模块进行初始训练；
针对每一次训练后的字幕模块，执行以下训练步骤：
在控制训练后的所述字幕模块的参数保持不变的情况下，将同时带有语音和字幕的第一视频样本输入所述字幕模块，以得到字幕识别结果，并根据所述字幕识别结果和所述第一视频样本中的语音信息训练所述语音模块；
在控制训练后的所述语音模块的参数保持不变的情况下，通过同时带有语音和字幕的第二视频样本训练所述字幕模块，直到训练次数达到预设次数或者所述视频识别模型的参数满足预设条件。
根据本公开的一个或多个实施例，示例15提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至7任一视频识别方法的步骤。
根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至7任一视频识别方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
1.一种视频识别方法，其特征在于，所述方法包括：
确定目标视频中目标时间段对应的语音信息以及字幕图像；
将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下方式得到所述视频识别结果：
从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
2.根据权利要求1所述的方法，其特征在于，所述通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果，包括：
通过注意力机制在所述字幕特征对应的字幕隐状态的基础上融合所述语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在所述语音特征对应的语音隐状态的基础上融合所述字幕特征对应的字幕隐状态，以确定目标语音隐状态；
通过注意力机制融合所述目标字幕隐状态和所述目标语音隐状态，以确定字幕语音融合特征；
根据所述字幕语音融合特征生成所述视频识别结果。
3.根据权利要求2所述的方法，其特征在于，所述通过注意力机制在所述字幕特征对应的字幕隐状态的基础上融合所述语音特征对应的语音隐状态，以确定目标字幕隐状态，并通过注意力机制在所述语音特征对应的语音隐状态的基础上融合所述字幕特征对应的字幕隐状态，以确定目标语音隐状态，包括：
确定每一时刻的所述字幕隐状态与该时刻对应的语音隐状态之间的点积相似度；
按照所述字幕隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的字幕融合权重，并根据每一时刻的所述字幕融合权重将每一时刻的所述字幕隐状态进行融合计算，以确定所述目标字幕隐状态；
按照所述语音隐状态的时间长度，将每一时刻对应的所述点积相似度进行归一化，以得到每一时刻对应的语音融合权重，并根据每一时刻的所述语音融合权重将每一时刻的所述语音隐状态进行融合计算，以确定所述目标语音隐状态。
4.根据权利要求2或3所述的方法，其特征在于，在确定所述目标字幕隐状态和所述目标语音隐状态之前，所述方法还包括：
将所述字幕隐状态和所述语音隐状态进行降维处理，以使所述字幕隐状态和所述语音隐状态的特征维度相同。
5.根据权利要求2或3所述的方法，其特征在于，所述视频识别模型包括目标注意力模块，所述目标注意力模块用于确定所述字幕语音融合特征，进一步用于：
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标字幕隐状态之间的点积相似度，以得到字幕点积相似度，并对所述字幕点积相似度进行归一化，以得到字幕特征权重，根据所述字幕特征权重对每一时刻的所述目标字幕隐状态进行加权求和，以得到目标字幕特征；
确定每一时刻的所述目标注意力模块的隐状态和该时刻对应的所述目标语音隐状态之间的点积相似度，以得到语音点积相似度，并对所述语音点积相似度进行归一化，以得到语音特征权重，根据所述语音特征权重对每一时刻的所述目标语音隐状态进行加权求和，以得到目标语音特征；
将所述目标字幕特征和所述目标语音特征相加，以得到所述字幕语音融合特征。
6.根据权利要求2或3所述的方法，其特征在于，所述根据所述字幕语音融合特征生成所述视频识别结果，包括：
将开始字符作为初始的字识别结果，针对每一次确定的字识别结果，执行以下处理：
将所述字识别结果和所述字幕语音融合特征输入循环神经网络，并将所述循环神经网络的输出结果输入全连接层，以确定新的字识别结果，直到所述字识别结果为终止字符，所述字幕语音融合特征是通过注意力机制对本次识别过程中所述目标注意力模块的隐状态、每一时刻的所述目标字幕隐状态和每一时刻的所述目标语音隐状态进行处理而得到的；
将每一次确定的所述字识别结果进行组合，以得到所述视频识别结果。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述视频识别模型包括用于提取所述字幕特征的字幕模块和用于提取所述语音特征的语音模块，所述视频识别模型的训练步骤包括：
对所述字幕模块进行初始训练；
针对每一次训练后的字幕模块，执行以下训练步骤：
在控制训练后的所述字幕模块的参数保持不变的情况下，将同时带有语音和字幕的第一视频样本输入所述字幕模块，以得到字幕识别结果，并根据所述字幕识别结果和所述第一视频样本中的语音信息训练所述语音模块；
在控制训练后的所述语音模块的参数保持不变的情况下，通过同时带有语音和字幕的第二视频样本训练所述字幕模块，直到训练次数达到预设次数或者所述视频识别模型的参数满足预设条件。
8.一种视频识别装置，其特征在于，所述装置包括：
确定模块，用于确定目标视频中目标时间段对应的语音信息以及字幕图像；
识别模块，用于将所述语音信息和所述字幕图像输入视频识别模型，以得到用于表征所述目标视频内容的视频识别结果；
其中，所述视频识别模型用于通过如下模块得到所述视频识别结果：
提取子模块，用于从所述语音信息提取语音特征，并从所述字幕图像提取字幕特征；
融合子模块，用于通过注意力机制将所述语音特征和所述字幕特征进行融合计算，以生成所述视频识别结果。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
技术总结