视频理解方法、装置、计算机设备及存储介质

本发明公开了一种视频理解方法，包括：获取待解析视频对应的多模态数据；基于多模态数据进行特征提取处理，得到每种多模态数据对应的模态特征；通过自注意力机制，对模态特征进行增强处理，得到增强后的模态特征；通过多头注意力机制，对增强后的模态特征进行特征融合处理，得到初始融合特征；基于模态特征之间的相似度，对初始融合特征中每种增强后的模态特征的权重进行调整处理，得到目标融合特征；基于目标融合特征进行推理，得到待解析视频的理解结果。通过多模态特征融合与权重动态调整机制，结合自注意力与多头注意力机制实现跨模态信息互补，能够充分利用多模态数据互补性、提升视频理解准确性以及深入挖掘剧情深层含义。