Fugu-MT 論文翻訳(概要): Facilitating the Production of Well-tailored Video Summaries for Sharing on Social Media

論文の概要: Facilitating the Production of Well-tailored Video Summaries for Sharing on Social Media

arxiv url: http://arxiv.org/abs/2312.02616v1
Date: Tue, 5 Dec 2023 09:47:28 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 16:02:56.769710
Title: Facilitating the Production of Well-tailored Video Summaries for Sharing on Social Media
Title（参考訳）: ソーシャルメディア上での共有のための高度に調整されたビデオ要約の作成
Authors: Evlampios Apostolidis, Konstantinos Apostolidis, Vasileios Mezaris
Abstract要約: 本稿では,ソーシャルメディア上でのオンライン共有に適した要約作成を支援するウェブツールを提案する。ビデオ要約とアスペクト比変換のための統合AIモデルに基づいて、フル長ビデオの複数の要約を生成する。
参考スコア（独自算出の注目度）: 7.059472280274011
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a web-based tool that facilitates the production of tailored summaries for online sharing on social media. Through an interactive user interface, it supports a ``one-click'' video summarization process. Based on the integrated AI models for video summarization and aspect ratio transformation, it facilitates the generation of multiple summaries of a full-length video according to the needs of target platforms with regard to the video's length and aspect ratio.
Abstract（参考訳）: 本稿では,ソーシャルメディア上でのオンライン共有に適した要約作成を支援するウェブツールを提案する。インタラクティブなユーザインターフェースを通じて、``one-click''ビデオ要約プロセスをサポートする。ビデオ要約とアスペクト比変換のための統合aiモデルに基づき、ビデオの長さとアスペクト比に関して、ターゲットプラットフォームのニーズに応じて、フルロングビデオの複数の要約の生成を容易にする。

関連論文リスト

SALOVA: Segment-Augmented Long Video Assistant for Targeted Retrieval and Routing in Long-Form Video Analysis [52.050036778325094]
本稿では,SALOVA: Segment-Augmented Video Assistantを紹介する。 87.8Kビデオの高品質なコレクションをセグメントレベルで高密度にキャプションし、シーンの連続性を捕捉し、リッチなコンテキストを維持する。本フレームワークは,クエリに応答して,関連ビデオセグメントの正確な識別と検索を可能にすることで,現在のビデオLMMの限界を緩和する。
論文参考訳（メタデータ） (2024-11-25T08:04:47Z)
Language-Guided Self-Supervised Video Summarization Using Text Semantic Matching Considering the Diversity of the Video [22.60291297308379]
本研究では,映像要約タスクを自然言語処理(NLP)タスクに変換する可能性について検討する。本手法は,ランク相関係数のSumMeデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2024-05-14T18:07:04Z)
Scaling Up Video Summarization Pretraining with Large Language Models [73.74662411006426]
本稿では,大規模ビデオ要約データセットを生成するための,自動化されたスケーラブルなパイプラインを提案する。我々は既存のアプローチの限界を分析し、それらに効果的に対処する新しいビデオ要約モデルを提案する。我々の研究は、プロが注釈付けした高品質の要約を持つ1200本の長編ビデオを含む新しいベンチマークデータセットも提示した。
論文参考訳（メタデータ） (2024-04-04T11:59:06Z)
Conditional Modeling Based Automatic Video Summarization [70.96973928590958]
ビデオ要約の目的は、全体を伝えるのに必要な重要な情報を保持しながら、自動的にビデオを短縮することである。映像要約法は視覚的連続性や多様性などの視覚的要因に依存しており、ビデオの内容を完全に理解するには不十分である。映像要約への新たなアプローチは、人間が地上の真実のビデオ要約を作成する方法から得られる知見に基づいて提案されている。
論文参考訳（メタデータ） (2023-11-20T20:24:45Z)
VideoXum: Cross-modal Visual and Textural Summarization of Videos [54.0985975755278]
我々は新しい共同ビデオとテキスト要約タスクを提案する。目標は、短縮されたビデオクリップと、長いビデオから対応するテキスト要約の両方を生成することだ。生成された短縮ビデオクリップとテキストナラティブは、セマンティックに適切に調整されるべきである。
論文参考訳（メタデータ） (2023-03-21T17:51:23Z)
TL;DW? Summarizing Instructional Videos with Task Relevance & Cross-Modal Saliency [133.75876535332003]
我々は,ビデオ要約の未探索領域である指導ビデオの要約に焦点をあてる。既存のビデオ要約データセットは、手動のフレームレベルのアノテーションに依存している。本稿では,文脈対応の時間的ビデオエンコーダとセグメントスコアリング変換器を組み合わせた指導ビデオ要約ネットワークを提案する。
論文参考訳（メタデータ） (2022-08-14T04:07:40Z)
Video Joint Modelling Based on Hierarchical Transformer for Co-summarization [0.0]
ビデオ要約は、ビデオの要約(ストーリーボードまたはビデオスキム)を自動的に生成することを目的としており、大規模なビデオ検索とブラウジングを容易にする。既存の手法の多くは、類似したビデオ間の相関を無視する個々のビデオに対して、動画要約を行う。階層変換器(VJMHT)を併用したビデオジョイントモデリングを提案する。
論文参考訳（メタデータ） (2021-12-27T01:54:35Z)
Comprehensive Information Integration Modeling Framework for Video Titling [124.11296128308396]
エンド・ツー・エンド・エンド・モデリング・フレームワークにおいて、消費者生成ビデオの内容、消費者から提供される物語コメント文、製品属性などの包括的情報ソースを統合する。この問題に対処するため,提案手法は,粒度レベルの相互作用モデリングと抽象レベルのストーリーライン要約という2つのプロセスから構成される。グローバルなeコマースプラットフォームであるTaobaoの実際のデータから、大規模なデータセットを収集します。
論文参考訳（メタデータ） (2020-06-24T10:38:15Z)
Transforming Multi-Concept Attention into Video Summarization [36.85535624026879]
本稿では,複雑な映像データを用いた映像要約のための新しいアテンションベースフレームワークを提案する。我々のモデルはラベル付きデータとラベルなしデータの両方に適用でき、実世界のアプリケーションに好適である。
論文参考訳（メタデータ） (2020-06-02T06:23:50Z)
SummaryNet: A Multi-Stage Deep Learning Model for Automatic Video Summarisation [0.0]
本稿では,自動要約のための教師あり学習フレームワークとして,SupiseNetを紹介する。 2ストリームの畳み込みネットワークを使用して、空間(外観)と時間(動き)の表現を学習する。
論文参考訳（メタデータ） (2020-02-19T18:24:35Z)

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。