用于密集视频描述的技术

摘要

描述了用于生成视频内容的密集自然语言描述的技术和设备。在一个实施例中，例如，设备可以包括：至少一个存储器，以及逻辑，该逻辑的至少一部分包括在与至少一个存储器耦合的硬件中，该逻辑用于接收包括多个帧的源视频，确定多个帧中的每一个帧的多个区域，生成连接所确定的多个区域的至少一个区域序列，以及将语言模型应用于至少一个区域序列以生成描述信息，该描述信息包括源视频的至少一部分内容的描述。描述并要求保护其他实施例。