一种视频理解的方法、装置及计算机程序产品

本发明实施例提供一种视频理解的方法、装置及计算机程序产品，属于视频和大数据领域，该方法包括：获取目标视频的描述文本、查询文本令牌及视觉令牌；对所述描述文本进行LLM推理、检索及区域扩展得到候选时间区域；对所述候选时间区域进行密集采样、检索和区域合并得到连续时间区域；根据查询文本令牌及视觉令牌确定注意力矩阵；根据所述注意力矩阵对所述连续时间区域进行语义相关度评估、剪枝和位置编码重构得到时空特征；根据所述时空特征生成所述目标视频的回答。该方法实现了高效高精度的长视频理解。