Video Copy Detection: a Comparative Study

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: Law-To J.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 8 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 602 کیلوبایت 

قیمت کتاب (تومان) : 34,000

جولین لا تو، لی چن، الکسیس جولی، ایوان لاپتف، اولیویه بوسون، والری گوئت برونت، نوژا بوژما و فرد استنتیفورد. 2007. تشخیص کپی ویدیویی: مطالعه تطبیقی. در مجموعه مقالات ششمین کنفرانس بین المللی ACM در مورد بازیابی تصویر و ویدئو (CIVR '07). ACM، نیویورک، نیویورک، ایالات متحده آمریکا، 371-378; DOI=10.1145/1282280.1282336</ a>

تشخیص کپی ویدیویی مبتنی بر محتوا

این مقاله ارائه می‌کند مطالعه تطبیقی ​​روش‌های تشخیص کپی ویدیویی تکنیک‌های مختلف پیشرفته، با استفاده از انواع توصیفگرها و توابع رأی‌گیری، شرح داده می‌شوند: توصیفگرهای ویدیویی جهانی، بر اساس ویژگی‌های مکانی و زمانی. توصیفگرهای محلی بر اساس اطلاعات مکانی، زمانی و همچنین مکانی-زمانی. توابع رای گیری قوی با این تکنیک ها سازگار شده است تا عملکرد آنها را افزایش داده و آنها را مقایسه کند. سپس، یک چارچوب اختصاصی برای ارزیابی این سیستم ها پیشنهاد شده است. تمام تکنیک‌ها با ارزیابی استحکام آن‌ها تحت تغییر شکل‌های تصویر تکی و ترکیبی، و همچنین برای طول‌های مختلف بخش‌های ویدیو، در یک چارچوب آزمایش و مقایسه می‌شوند. ما عملکرد هر رویکرد را با توجه به تحولات و کاربردهای در نظر گرفته شده مورد بحث قرار می دهیم. روش‌های محلی عملکرد برتر خود را نسبت به روش‌های جهانی، هنگام شناسایی کپی‌های ویدیویی تحت تغییرات مختلف نشان می‌دهند.

Julien Law-To, Li Chen, Alexis Joly, Ivan Laptev, Olivier Buisson, Valerie Gouet-Brunet, Nozha Boujemaa, and Fred Stentiford. 2007. Video copy detection: a comparative study. In Proceedings of the 6th ACM international conference on Image and video retrieval (CIVR '07). ACM, New York, NY, USA, 371-378; DOI=10.1145/1282280.1282336 Content-Based Video Copy Detection This paper presents a comparative study of methods for video copy detection. Different state-of-the-art techniques, using various kinds of descriptors and voting functions, are described: global video descriptors, based on spatial and temporal features; local descriptors based on spatial, temporal as well as spatio-temporal information. Robust voting functions is adapted to these techniques to enhance their performance and to compare them. Then, a dedicated framework for evaluating these systems is proposed. All the techniques are tested and compared within the same framework, by evaluating their robustness under single and mixed image transformations, as well as for different lengths of video segments. We discuss the performance of each approach according to the transformations and the applications considered. Local methods demonstrate their superior performance over the global ones, when detecting video copies subjected to various transformations.