Information Mining from Multimedia Databases
Notice bibliographique
Résumé
Welcome to the special issue on "Information mining from multimedia databases."The main focus of this issue is on information mining techniques for the extraction and interpretation of semantic contents in multimedia databases.The advances in multimedia production technologies have resulted in a rapid proliferation of various forms of media data types on the Internet.Given these high volumes of multimedia data, it is thus essential to extract and interpret their underlying semantic contents from the original signal-based representations without the need for extensive user interaction, and the technique of multimedia information mining plays an important role in this automatic content interpretation process.Due to the spatio-temporal nature of most multimedia data streams, an important requirement for this information mining process is the accurate extraction and characterization of salient events from the original signal-based representation, and the discovery of possible relationships between these events in the form of high-level association rules.The availability of these high-level representations will play an important role in applications such as content-based multimedia information retrieval, preservation of cultural heritage, surveillance, and automatic image/video annotation.For these problems, the main challenges are in the design and analysis of mapping techniques between the signal-level and semantic-level representations, and the adaptive characterization of the notion of saliency for multimedia events in view of its dependence on the preferences of individual users and specific contexts.The focus of the first two papers is on the automatic analysis and interpretation of video contents.X.-P.Zhang and Chen describe a new approach to extracting objects from video sequences which is based on spatio-temporal independent component analysis and multiscale analysis.Specifically, spatio-temporal independent component analysis is
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».