一种基于大小模型协同融合的视频智能描述方法、系统和可读存储介质

本发明属于人工智能视频分析技术领域，涉及一种基于大小模型协同融合的视频智能描述方法、系统和可读存储介质，包括：从输入的视频中提取关键帧；将视频的视觉特征输入轻量级预训练模型，获得视频的全局特征编码和视频的粗粒度概述；将关键帧输入大模型，生成视频的细粒度行为及交互细节编码；设定大小模型协同融合的提示词，将大小模型协同融合的提示词与全局特征编码、细粒度行为及交互细节编码输入大模型，生成兼具宏观完整性与微观准确性的视频自然语言描述。本发明生成多粒度语义描述内容精度较高，完整性好，确保对视频内容的整体性概括；有效解决了单一模型在概括性与细节保真度之间的权衡矛盾，显著提升语义完整性与场景适应性。