如果按照上一篇的想法来做的话，我估计效果不好。
策略：提取视频时长所有音频，特征提取后进入VGG网络，然后将VGG features avg，这样特征如果不明显的话就可能在avg后直接消失了，这种影响还是很大的。我估计最后可能会完全趋于白噪声，这不是扯淡吗？
话不多说，先提取音频文件再说，挨个听真的费劲啊，卧槽，就是怕有脏数据。
先拿抖音干净的数据来玩，主要是因为抖音的视频数据是我挨个下载的，并且声音都有特别之处，没有啥特别的就没分为1类，另有其他非1视频或者啥都有的视频作为other/用来测试看看能不能挑出来1类的视频。
上面其实涉及到一个问题：维度不同如何做相似度？？？这是动态规划的问题？？
【
细节问题记录：我输入VGG模型的时长是28秒，而且我还特地取整了，这特么得到的结果还是batch还是29，卧槽，这是为啥子
一脸懵逼。经查发现最后一个batch的数值基本上全是相同的，因此去掉。
】
做过avg后特征基本上全被湮灭了，没有特征了。卧槽，如图下，0的部分或多或少有1中的，但不是全部，然而结果很差。
所以做avg到底有没有依据？？？我觉得还是原始的做max比较好，这样特征可能会显现。
因为抖音最后3秒可能有自带的“抖音”声音，所以取倒数[-8:-3]的5秒数据，然后max，结果仍旧意料之中。很差
所以我感觉这个所谓的高层特征纯属扯淡。
场景分类根本不行，所以依旧用传统的场景分类办法试试吧
【为啥用抖音的数据？很显然，其声音很显然的特征，任何人都能感觉到。如果抖音的数据都做不成，其他差得数据更难做了】
下班，票还没买到啊。卧槽
另外有相关问题可以加入QQ群讨论，不设微信群
QQ群：868373192
语音图像视频深度-学习群
