VIVA lab - University of Ottawa at TRECVID 2009 Content Based Copy Detection
Notice bibliographique
Résumé
Briefly, what approach or combination of approaches did you test in each of your submitted runs? † VIVAlab-uOttawa.v The video search approach is based on a method that finds keypoints in each video frame, and then uses a descriptor of keypoint counts in 16 (4 by 4) equally sized regions of the images. † VIVAlab-uOttawa.a The audio-only copy detection search scheme was based on the computation of a coherence function, using intermediate features in the ITU-R BS.1387 Perceptual Evaluation of Audio Quality (PEAQ) standard. † VIVAlab-uOttawa.m The combined audio-video used the fact that audio was detected in a database segment simply to boost the video scores. 2. What if any significant differences (in terms of what measures) did you find among the runs? The video only approach performs well in terms of the mean F1 measure, which is a consequence of the construction of the algorithm. Indeed, because a frame is represented with only 16 bytes, it was possible to compare each frame of the query with each frame of the video database. As a result, our algorithm is one of the best in terms of accuracy. The balanced profile performs at almost exactly the median in terms of NDCR, while the NOFA profile is slightly worse than the median performance. The audio only approach is slightly worse than the median in terms of NDCR. The F1 results are not significant in this case because of the very low number of positive detection that were submitted. The audio detection method has a very low false positive detection rate but, unfortunately a very high false negative too. The combined results were lower than what we expected; we still have to analyze the root cause of this performance. 3. Based on the results, can you estimate the relative contribution of each component of your system/approach to its effectiveness? Currently the video analysis seems to be doing most of the work, but we do not believe that our combination of the audio and video search methods is optimal. 4. Overall, what did you learn about runs/approaches and the research question(s) that motivated them? With so many different possible solutions to copy detection deciding which is the best is a function of the goals. Our goal is to have an approach that provides good performance, is easy to parallelize, works quickly in search mode, and has low storage requirements per video frame of the database. We believe that we have achieved this goals, but we have not yet found a satisfactory way of combining the audio video results.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,106 |
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 ».