摘要
本发明涉及计算机视觉技术领域，可运用于医疗康复领域和金融科技领域，公开了短视频的理解文本生成方法、装置、设备及存储介质，应用于康复训练动作合规性监测场景，或可运用于远程开户身份核验与行为分析场景中，其中方法包括：获取待处理短视频，并对待处理短视频进行预处理，生成预处理后视频帧序列；提取预处理后视频帧序列中的时空特征，得到目标时空特征序列；对目标时空特征序列进行特征增强和特征调制，得到调制后特征序列；对调制后特征序列进行跨模态注意力解码，生成初始描述文本；对初始描述文本进行文本优化处理，生成目标描述文本。本发明提高了短视频的理解文本生成的准确性。
