Para resolver o problema da imprecisão na descrição do texto causada pela insuficiente capacidade de expressão das características semânticas na descrição de vídeo, este artigo propõe uma Rede de Geração Semântica Encadeada para descrição de vídeo (Chained Semantic generation Network, ChainS-Net). Foi construída uma estrutura de extração de características em cadeia, cruzada em duas vias e em múltiplas etapas, utilizando módulos de domínio global e local como unidades básicas, capturando a semântica do vídeo a partir das características visuais nos níveis global e local; em cada fase da rede, as informações semânticas são transformadas e analisadas entre os domínios global e local, realizando uma referência interativa entre as informações visuais e semânticas, melhorando a capacidade de expressão das características semânticas; com base nisso, a rede obtém uma representação semântica mais eficaz por meio de um processamento iterativo em múltiplas etapas, elevando o desempenho do modelo de descrição de vídeo. Os resultados experimentais em conjuntos de dados MSR-VTT e MSVD mostram que a rede de geração semântica encadeada ChainS-Net proposta supera os métodos similares existentes, com uma melhoria média de 2,5% nos quatro índices de avaliação da descrição de vídeo em comparação com a rede de legendagem de vídeo assistida por semântica (Semantics-Assisted Video Captioning network, SAVC).

descrição de vídeo; características semânticas; global; local; transformação de domínio; múltiplas etapas