Для решения проблемы недостаточного многомасштабного временного моделирования и локального моделирования признаков в задаче видеократкого содержания, в данной работе предлагается модель видеократкого содержания, сочетающая многомасштабное временное смещение и деформируемый локальный механизм внимания. Во-первых, разработан многомасштабный адаптивный двунаправленный модуль временного смещения (MAB-TSM), который с помощью обучаемого динамического предсказания шага смещения и многомасштабной дилатационной свёртки реализует адаптивное моделирование долгосрочной и краткосрочной временной зависимости видео; во-вторых, разработан деформируемый модуль локального внимания (DALAM), сочетающий динамическую стратегию сегментации видео и механизм адаптивной корректировки позиций выборки, что уменьшает вычислительную сложность и одновременно усиливает детализированное представление критически важных локальных областей; кроме того, улучшена сеть BiFPN для кросс-маcштабного слияния с введением модуля усиления внимания сквозь масштабы на базе BiFPN, что повышает комплементарное выражение многоуровневых признаков. Предложенная модель была многократно протестирована на наборах данных SumMe и TVSum, достигнув F1-оценок 56.8% и 62.6% соответственно в стандартизированном режиме, превосходя существующие методы; коэффициенты корреляции рангов Кендалла и Спирмена составили 0.153 и 0.200 соответственно, что отражает хорошую согласованность. Результаты экспериментов подтверждают точность и эффективность модели в задаче видеократкого содержания.

видеократкое содержание;многомасштабное временное моделирование;модуль временного смещения;деформируемое внимание;локальный механизм внимания