视频描述文本生成方法、装置、计算机设备和存储介质

本申请涉及机器学习技术领域，涉及一种视频描述文本生成方法、装置、计算机设备和存储介质，该方法包括：获取目标视频的特征数据；将特征数据输入第一路径特征提取模型，通过第一路径特征提取模型输出当前帧特征；将特征数据输入第二路径特征提取模型，通过第二路径特征提取模型输出未来帧特征；根据未来帧特征更新数据库，获得更新的数据库特征；将当前帧特征与数据库特征进行融合，获得融合特征；将融合特征进行解码，生成目标视频对应的视频描述文本。本申请可应用于金融、医疗等领域，实现了时序连贯的视频描述文本生成。