基于多模态大模型的统计后处理视频目标检测方法

本发明公开了基于多模态大模型的统计后处理视频目标检测方法，涉及开放词表视频目标检测技术领域。包括：读取视频帧并建立索引，构造严格输出约束提示驱动多模态大模型推理；读取模型输出token的logits，聚合预定义二分类token得分，派生稳定逐帧正类概率，规避对生成文本的依赖；提取模型内部向量表征后与概率序列按帧对齐，基于正负样本组间差异筛选显著维度降维，加权融合构建多元时间序列；定位目标状态变化边界；计算各分段内概率的均值、峰值等统计量，通过规则判别生成段级标签并回溯赋值为帧级结果。本发明解决了现有视频目标检测中因模型输出格式不稳定、时序抖动严重导致的检测精度低、区间结构一致性差的问题。