論文の概要: Finding the Right Moment: Human-Assisted Trailer Creation via Task Composition
- arxiv url: http://arxiv.org/abs/2111.08774v2
- Date: Mon, 30 Dec 2024 13:43:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:01:03.085046
- Title: Finding the Right Moment: Human-Assisted Trailer Creation via Task Composition
- Title（参考訳）: 正しいモーメントを見つける:タスク構成による人間支援トレーサ創造
- Authors: Pinelopi Papalampidi, Frank Keller, Mirella Lapata,
- Abstract要約: 我々は、トレーラーに含まれる可能性がある映画、すなわちショットのトレーラーの瞬間を見つけることに重点を置いている。
私たちは映画をグラフとしてモデル化し、ノードはショットであり、エッジはそれらの間のセマンティックな関係を表す。
教師なしのアルゴリズムがグラフを横切り、人間の審査員が競争監督のアプローチで選択した映画からトレーラーの瞬間を選択する。
このツールを使うと、30分以内のトレーラーショットを選択でき、完全に自動的な方法よりも優れており、専門家による(排他的な)手動選択に匹敵する。
- 参考スコア（独自算出の注目度）: 63.842627949509414
- License:
- Abstract: Movie trailers perform multiple functions: they introduce viewers to the story, convey the mood and artistic style of the film, and encourage audiences to see the movie. These diverse functions make trailer creation a challenging endeavor. In this work, we focus on finding trailer moments in a movie, i.e., shots that could be potentially included in a trailer. We decompose this task into two subtasks: narrative structure identification and sentiment prediction. We model movies as graphs, where nodes are shots and edges denote semantic relations between them. We learn these relations using joint contrastive training which distills rich textual information (e.g., characters, actions, situations) from screenplays. An unsupervised algorithm then traverses the graph and selects trailer moments from the movie that human judges prefer to ones selected by competitive supervised approaches. A main advantage of our algorithm is that it uses interpretable criteria, which allows us to deploy it in an interactive tool for trailer creation with a human in the loop. Our tool allows users to select trailer shots in under 30 minutes that are superior to fully automatic methods and comparable to (exclusive) manual selection by experts.
- Abstract（参考訳）: 映画トレーラーは、ストーリーに視聴者を紹介し、映画のムードと芸術的スタイルを伝え、観客に映画を見るよう奨励する。
これらの多種多様な機能は、トレーラーの制作を困難にさせる。
本研究は、予告編に含まれる可能性がある映画、すなわち撮影シーンを見つけることに焦点を当てる。
本研究では,この課題を物語構造同定と感情予測という2つのサブタスクに分解する。
私たちは映画をグラフとしてモデル化し、ノードはショットであり、エッジはそれらの間のセマンティックな関係を表す。
画面からリッチテキスト情報(文字,行動,状況など)を抽出する共同コントラスト学習を用いて,これらの関係を学習する。
教師なしのアルゴリズムがグラフを横切り、人間の審査員が競争監督のアプローチで選択した映画からトレーラーの瞬間を選択する。
アルゴリズムの主な利点は、解釈可能な基準を使い、ループ内の人間とトレーラー作成のためのインタラクティブツールにデプロイできる点である。
このツールを使うと、30分以内のトレーラーショットを選択でき、完全に自動的な方法よりも優れており、専門家による(排他的な)手動選択に匹敵する。
関連論文リスト
- Towards Automated Movie Trailer Generation [98.9854474456265]
本稿では,エンコーダ・デコーダアーキテクチャを利用したディープラーニングフレームワークTGTを紹介する。
自動回帰トレーラーデコーダは、次のトレーラーショットの特徴表現を予測する。
当社のTGTは、総合的なメトリクススイートにおいて、従来の方法よりも大幅に優れています。
論文 参考訳（メタデータ） (2024-04-04T14:28:34Z) - MoviePuzzle: Visual Narrative Reasoning through Multimodal Order
Learning [54.73173491543553]
MoviePuzzleは、ビジュアルな物語の推論と全体論的映画理解をターゲットとする、新しい挑戦である。
本研究では,映像モデルの時間的特徴学習と構造学習を増幅するMoviePuzzleタスクを提案する。
提案手法はMoviePuzzleベンチマークの既存の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-06-04T03:51:54Z) - AI based approach to Trailer Generation for Online Educational Courses [0.0]
提案するフレームワークは,ビデオトレーラ生成のためのテンプレートベースの手法である。
提案したトレーラーは、コンテンツの選択、パラフレーズ化、生成によって生成される様々なフラグメントからなるタイムラインの形式である。
我々は,63人の評価者を用いて,システムによって生成されたトレーラの評価を行う。
論文 参考訳（メタデータ） (2023-01-10T13:33:08Z) - Multilevel profiling of situation and dialogue-based deep networks for
movie genre classification using movie trailers [7.904790547594697]
我々は、状況、対話、メタデータに基づく映画ジャンル分類フレームワークという、新しいマルチモダリティを提案する。
我々は,5つのジャンルに属する2000本のハリウッド映画トレーラーを含むイギリス映画トレーラーデータセット(EMTD)を開発した。
論文 参考訳（メタデータ） (2021-09-14T07:33:56Z) - Where to look at the movies : Analyzing visual attention to understand
movie editing [75.16856363008128]
映画シーケンスの視線パターン情報を含む新しい視線追跡データベースを提案する。
このデータセット上で、最先端の計算サリエンシー技術がどのように振る舞うかを示す。
論文 参考訳（メタデータ） (2021-02-26T09:54:58Z) - Movie Summarization via Sparse Graph Construction [65.16768855902268]
マルチモーダル情報を用いて構築された,シーン間の関係を表すスパースなムービーグラフを構築することで,TPシーンを識別するモデルを提案する。
人間の判断によれば、我々のアプローチによって作成された要約は、シーケンスベースモデルや汎用的な要約アルゴリズムの出力よりも、より情報的で完全であり、より高い評価を受けている。
論文 参考訳（メタデータ） (2020-12-14T13:54:34Z) - Learning Trailer Moments in Full-Length Movies [49.74693903050302]
我々は、正式に公開された予告編を弱い監督力として活用し、フル長の映画から重要な瞬間を検知できるモデルを学ぶ。
本稿では,映画とトレーラーのコ・アテンションを利用してトレーニングペアを生成する新しいランキングネットワークを提案する。
我々は,最初の映画トレーラデータセットを構築し,提案するコ・アテンション支援ランキングネットワークは,教師付きアプローチよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-08-19T15:23:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。