Para abordar el problema de la insuficiente modelación temporal multiescala y la modelación de características locales en la tarea de resumen de video, este artículo propone un modelo de resumen de video que combina desplazamiento temporal multiescala y un mecanismo de atención local deformable. Primero, se diseñó un módulo de desplazamiento temporal bidireccional adaptativo multiescala (MAB-TSM), que mediante la predicción dinámica de longitud de desplazamiento aprendible y convoluciones dilatadas multiescala, logra modelar de forma adaptativa las dependencias temporales a corto y largo plazo del video; segundo, se diseñó un módulo de atención local deformable (DALAM), que combina una estrategia dinámica de segmentación de video y un mecanismo de ajuste adaptativo de las posiciones de muestreo, lo que reduce la complejidad computacional y al mismo tiempo mejora la expresión precisa de las características en las regiones clave locales; además, se mejoró la red BiFPN de fusión a través de escalas, introduciendo un módulo de mejora de atención entre escalas basado en BiFPN, aumentando la expresión complementaria de características multiescala. El modelo propuesto se sometió a múltiples experimentos en los conjuntos de datos SumMe y TVSum, logrando puntuaciones F1 de 56.8% y 62.6% respectivamente en modo estándar, superando a los métodos existentes, y los coeficientes de correlación de rango de Kendall y Spearman alcanzaron 0.153 y 0.200 respectivamente, mostrando una buena consistencia. Los resultados experimentales demuestran la precisión y eficacia del modelo en la tarea de resumen de video.

resumen de video;modelación temporal multiescala;módulo de desplazamiento temporal;atención deformable;mecanismo de atención local