摘要

高精度视频标签预测（分类）模型归功于大规模数据。这些数据可以是由预训练的卷积神经网络提取的帧特征序列，这促进了模型创建的效率。无监督解决方案如特征平均池化作为一种简单的无标签依赖且无参数的方法，在表示视频方面的能力有限。而有监督方法，例如循环神经网络（RNN），可以显著提高识别准确性。然而，视频通常较长，且视频中不同事件之间的帧存在层次关系，基于RNN的模型性能会下降。在本文中，我们提出了一种基于深度卷积图神经网络（DCGN）的新型视频分类方法。该方法利用了视频层次结构的特点，通过图网络对视频帧序列进行多级特征提取，获得了反映事件语义层次性的视频表示。我们在YouTube-8M大规模视频理解数据集上测试了我们的模型，结果优于基于RNN的基准模型。