基于全模态理解的镜头标签提取方法、设备和介质

本发明提供了一种基于全模态理解的镜头标签提取方法、设备和介质，涉及视频处理技术领域，提出的方法包括：将原始视频切分为多个语义完整的片段单元，并为每个片段标注镜像属性标签形成标注数据集；基于视觉语言模型，使用标注数据集进行有监督训练；所述视觉语言模型采用Qwen2.5‑VL模型；基于经过有监督训练得到的监督微调模型，采用GRPO算法对所述视觉语言模型进行优化；基于优化后的视觉语言模型对待处理视频进行初步标注，并通过人工修正错误标注，迭代更新视觉语言模型。在复杂视频场景下采用本发明方法进行镜头标签提取，可有效提高提取精度和提取效率。