Noll
Getty Images/iStockphoto
Video är den snabbast växande konsumenten om förvaring i hela världen, och miljarder människor ännu inte har video-kameror. Men det kan också vara en enorm tid diskbänken som vi kan titta på filmer vars information rika delar är begravda i minuter av repetitiva eller ovidkommande innehåll.
Om vi tänker att tämja video explosion, vi måste automatisera redigering så videoklipp visa oss vad som är intressant för människor. Men hur?
Semantiska Egocentriska Snabbspolning Framåt
I uppsatsen att Göra en lång historia kort: En Multi-Semantisk Betydelse för Snabbspolning framåt Egocentriska Videor forskare Michel M. Silvaa, et.al., föreslå en fem steg:
Vi först extrahera den semantiska information (till exempel, människor, bil plattor, charmiga miljöer) från varje ram av input video. Dessa data definiera en semantisk profil av video, vilket vi använder för att dela upp strömmen i relevanta och icke-relevanta segment. För varje typ av segment, vi beräkna olika hastighet-upp priser, tilldelning av lägre priser till de berörda segmenten.
Den semantiska analysen är en viktig del. En del av analysen använder väl förstått verktyg, till exempel ansiktsigenkänning. En annan bit är förutsatt att innehållet är närmare till centrum av bilden är mer viktigt.
Men en annan viktig bit är en convolutional neurala nätverk, som CoolNet, att priser på “kall” av en bildruta efter att ha tränat på webben video statistik (förmodligen, popularitet). Kombinationen av tekniker ger ett värde på semantisk intresse, som sedan matar nivå av speed up tillämpas i den slutliga produktionen.
Particle Swarm Optimization
Semantiska innehåll är inte bara en viktig fråga för en enskild ram. Parametrar som jitter, kvalitet och hastighet är också viktigt. Deras variation och komplexitet innebär att det är lätt för användarna att göra dåliga val, så forskarna föreslår att använda Particle Swarm Optimization (PSO) för att automatisera urval av parametrar.
PSO-algoritmen är en iterativ metod som grupper partiklar ordna dem slumpmässigt i sökandet efter utrymme. Vid varje iteration, partiklar positioner (parametervärden) uppdateras för att följa den lokala och globala bästa partiklar. Lösningen ges av en fitness ekvation definieras i förhållande till problemet.
Fick det? Inte jag heller.
Men bottom line är en video där det viktiga (för människor) delar presenteras på priser som tillåter oss att se och uppskatta vad vi värdesätter, och samtidigt påskynda tråkiga delar.
Lagring ta Bitar
Min första YouTube-video, en 1 minut guide till att ersätta en MacBook hårddisk, används speedup teknik för att kondensera ca 10 minuter på klockan innehåll ner till 1 minut. Och det plågats upp nästan 450 000 kronor över. Så det finns efterfrågan på marknaden för kortare och smartare videor.
Jag är säker på att YouTube skulle älska att automagiskt redigera miljontals videor, både till lägre kostnader för infrastruktur, och för att göra innehållet mer intressant. Medan denna uppsats är säkert inte sista ordet när det gäller att optimera videoklipp, är det verkligen visar vägen till en mer intressant – och snabbare – video framtiden.
Artiga kommentarer välkomna, naturligtvis.
Relaterade Ämnen:
Artificiell Intelligens
Hårdvara
Recensioner
Rörlighet
Datacenter
Cloud
0