摘要
本申请实施例提供了一种视频内容描述法和装置、电子设备及存储介质，属于视频处理技术领域，适用于金融科技领域和医疗领域。该方法包括：获取目标视频数据；对所述目标视频数据进行多模态数据提取，得到多模态数据流；对所述多模态数据流进行脉冲神经编码，得到时空特征图；对所述时空特征图进行层次时序变换，得到语义单元及梅尔频率倒谱系数；对所述语义单元及所述梅尔频率倒谱系数进行跨模态特征整合，得到跨模态上下文表示；对所述跨模态上下文表示进行文本解码，得到目标自然语言信息。本申请实施例能够提高视频内容描述的精准度。
