短视频内容场景类型分类标注训练数据

本数据面向短视频平台、品牌投放方和内容服务商，适用于短视频场景识别、内容检索、推荐分发和商业投放匹配。通过融合关键帧图像特征与去标识化字幕语义，并计算主场景持续时长和时长占比，可形成办公学习、运动健身、室内生活、餐饮美食、购物消费和户外自然六类场景标签，为场景分类模型训练、同类视频自动归类和内容运营提供结构化数据。使用时需同时取得可辨认主要环境和活动对象的视频画面、关键帧及对应字幕。数据使用方可结合主场景识别依据回查画面与文本证据，利用持续时长和时长占比评价场景稳定程度，并按数据集划分标识完成模型训练、验证和测试。一、加工前的数据说明： 原始数据来源于企业自有内容平台的短视频、字幕和时间轴记录，原始字段包括视频编号、内容类别、原始视频、字幕文本和视频时长。 二、处理规则： 1.数据清洗：按视频编号去重，删除视频损坏、字幕或时长缺失及与任务无关的记录；统一视频方向、字幕编码和空白符，对字幕中的身份信息进行不可逆去标识化。 2.特征融合：按视频时间轴抽取能够反映环境、人物活动和主要物体的关键帧，图像分类模型从画面中提取场所、对象和动作特征；文本分类模型对字幕文本脱敏值进行分词和语义编码，提取与场景相关的活动及环境表达。将两类模型输出按同一六类场景体系进行对应，综合比较画面与字幕证据的一致方向，确定占主要内容的场景类型；同时记录关键帧图像编号，并将支持分类的画面特征和字幕语义整理为主场景识别依据。 3.时长计算：聚合同一场景的连续帧得到主场景持续时长，主场景时长占比=主场景持续时长/视频总时长，采用十进制定点四舍五入保留三位小数。关键帧时间和主场景持续时长均不得超过视频总时长。 4.算法校验：逐条复算主场景时长占比，核对关键帧时间、主场景持续时长、视频总时长、内容场景类型和主场景识别依据之间的一致性。画面或字幕证据不能支持所选场景类型的记录不进入最终数据集，相同核心场景签名仅保留一条；按视频匿名编号和“字幕文本脱敏值+内容场景类型+主场景识别依据”核心场景签名联合分组，并按场景类型分层以8:1:1划分训练集、验证集和测试集，避免同一视频或相同核心场景内容跨集合出现。 三、数据内容描述： 最终形成结构化的短视频内容场景类型分类标注训练数据集合，包含以下字段：1）样本编号：样本匿名唯一标识；2）视频匿名编号：视频去标识化编号；3）内容类别：短视频内容；4）关键帧时间(秒)：关键帧在视频中的时间；5）关键帧图像编号：关键帧图像匿名标识；6）字幕文本脱敏值：去除身份信息后的字幕；7）主场景持续时长(秒)：主场景连续出现的时长；8）视频总时长(秒)：视频总时长；9）主场景时长占比：主场景持续时长与视频总时长之比；10）内容场景类型：办公学习、运动健身、室内生活、餐饮美食、购物消费或户外自然；11）主场景识别依据：支持场景分类的画面与文本证据；12）数据集划分标识：训练集、验证集或测试集。

搜集汇总

背景与挑战

背景概述

该数据集为短视频内容场景类型分类标注训练数据，规模2320条，包含办公学习、运动健身、室内生活、餐饮美食、购物消费和户外自然六类场景标签，涵盖样本编号、视频匿名编号、关键帧时间与图像编号、字幕文本脱敏值、主场景持续时长及占比、内容场景类型、主场景识别依据和数据集划分标识等12个字段。数据经清洗、特征融合、时长计算和算法校验处理，按场景类型分层以8:1:1划分训练集、验证集和测试集，适用于短视频场景识别、内容检索、推荐分发和商业投放匹配。