一种视频片段定位方法

本发明公开了一种视频片段定位方法，其涉及多模态机器学习技术领域。包括：将目标视频输入定位模型中，提取目标视频的视觉特征、音频特征和查询特征；为音频特征构造音频图，为视觉特征构造视频图，将音频图和视频图进行融合，得到融合特征；对融合特征和查询特征进行初步交互，得到初始融合特征；再对初始融合特征进行多次深度交互，得到最终融合特征；对最终融合模块进行建模，得到上下文信息；对上下文信息进行分析，得到定位片段的开始时间和结束时间。本发明通过利用音频信息的反馈，模型能够在视觉信息模糊或不完整的复杂环境下，更加有效地优化视觉特征的使用。