Predicting Episodic Video Memorability using Deep Features Fusion Strategy
Notice bibliographique
Résumé
Video memorability prediction has become an important research topic in computer vision in recent years. The movie's input is highly remembered that gains much attention with unbounded time constraints. Episodic memory is a fascinating research area that needs much attention using video processing tools and techniques. Episodic memories are long-lasting with complete detail. Movies are one of the best instances of episodic memory. This paper proposes a novel framework to fuse deep features to predict the probability of recalling episodic events. Memories are reproducible and sensitive to sophisticated set of properties rather than low-level propertiesthe proposed framework pin up the fusion of text, visual and motion features. A fuzzy-based FastText model, a supervised text extraction module, is designed to extract the annotations with their relevant classes. The colour histogram analysis is done to determine the dominant colour region that performs as a connected fragment to form episodic video sequences. A novel Faster R-CNN is designed to discover the scene objects using an informative regional proposal network formation. Here, the modified loss function sorts out the lowest overlapping regions yielding the best proposals. The ‘high-level’ properties are collected using Principal Component Analysis (PCA) to form episodic shots. These are fused to estimate the memorability score. The proposed framework is implemented in Mediaeval 2018 datasets. A superior spearman's rank correlation result is achieved as 0.6428 short-term and 0.4285 long-term memorability than the latest comparable methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».