Binned-KMeans: Extracting Memorable, Explainable, Weighted and Sorted Colour Palettes from Videos
Notice bibliographique
Résumé
The generation of color palettes from videos is useful in extracting and studying the dominant colours in videos, such as movies, as well as in comparing and retrieving videos. We introduce Binned-KMeans, a new method for generating colour palettes from video. Our method has demonstrated greater accuracy than standard KMeans, as validated by a user study, in extracting memorable colours from a video. Our method produces palettes that are inherently sorted in a rainbow order, making them easier to compare than traditional, unsorted, palettes. Binned-KMeans palettes contain only saturated, memorable colours by using predefined HSV ranges for each colour bin. This helps our palettes avoid the black, white, grey, beige, and other unmemorable tones that are common in traditional palettes. This convenient grouping of pixels by colour tone makes our method ideal for film colour analysis, allowing us to answer questions about which colours are most commonly used in film. We applied our method to all 73,220 colour films released before 2025 with metadata available. For legal and logistical reasons, we work with movie trailers rather than full movies. Palettes generated with our method have revealed interesting trends in colour use across decades, directors, genres, and even within movie series. Binned-KMeans makes the visual coherence between movies in the same series strikingly apparent, as these films often share the same dominant colour tones. When combined with Minimum Colour Difference, our method is useful for a video retrieval task, identifying the best colour match for a given video, with potential applications in movie recommendation systems. We improved upon a previous related work by using a better saturation weighting formula and processing a significantly larger dataset of movie trailers. We also better handle the removal of Motion Picture Association (MPA) screens when processing trailers. Finally, we are developing a web application to make our palettes explainable by showing the specific video frames that contribute to each colour tile. This application also offers colourbased movie recommendations. Our research aims to provide filmmakers, marketing strategists, and other visual artists with data to support creative decisions, such as which colours to use to evoke certain emotions or stay consistent with a director's unique style. We hope to offer a unique new way of classifying and recommending movies for streaming services.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».