视频语义标注方法及装置

本申请提供一种视频语义标注方法及装置，涉及视频语义标注技术领域，该方法包括：对待标注视频进行关键帧提取，得到待标注视频的多个关键帧；基于多个关键帧中相邻帧之间的相似度，对多个关键帧中的关键帧进行分组，得到多个关键帧分组；按照预设标注策略对每个关键帧分组中的关键帧进行语义标注，得到每个关键帧对应的语义标注；预设标注策略包括：对关键帧分组内的首个关键帧进行基础语义标注，对关键帧分组内出首个关键帧之外的其他关键帧进行差分语义标注。本申请提供的视频语义标注方法及装置通过对时序级视频数据实施语义驱动的关键帧差异化分割与跨帧关联的智能标注，以此构建大规模、高质量的多模态视频‑文本对齐数据集。