视频理解方法、装置、电子设备、存储介质及程序产品

本公开提供了视频理解方法、装置、电子设备、存储介质及程序产品，涉及深度学习、计算机视觉、大模型及自然语言处理等人工智能技术领域。具体实现方案为：对待处理视频进行镜头分割，得到待处理视频的至少一个镜头片段；分别对至少一个镜头片段进行目标运动幅度分析，得到至少一个镜头片段各自的运动幅度信息；基于至少一个镜头片段各自的运动幅度信息，从对应镜头片段中提取关键帧；基于至少一个镜头片段各自的关键帧的多模态特征，对待处理视频进行视频内容理解，得到待处理视频的描述信息。通过实施本公开实施例，可以优化视频理解效果。