视频内容智能识别分类的方法、装置及应用

本发明公开了一种视频内容智能识别分类的方法、装置及应用，所述方法基于预训练的Transformer模型对视频内容进行识别分类，包括以下步骤：将输入视频分割为帧，并将每帧图像划分为多个非重叠的图像块；对每个图像块进行特征提取并生成对应的令牌；为每个令牌添加位置编码，表示其在原始图像中的空间位置；将带有位置编码的令牌输入至改进的Transformer编码器中，通过改进的带控单向注意力机制计算令牌间的时空依赖关系，得到视频的时空特征；将Transformer编码器输出的时空特征序列输入全连接层，经全连接层输出视频内容的分类概率分布。本发明通过引入Transformer模型及改进后的带控单向注意力机制，能够在大幅降低计算复杂度的前提下提高视频内容识别分类的精度。