論文の概要: Find the Cliffhanger: Multi-Modal Trailerness in Soap Operas
- arxiv url: http://arxiv.org/abs/2401.16076v1
- Date: Mon, 29 Jan 2024 11:34:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 15:01:26.470333
- Title: Find the Cliffhanger: Multi-Modal Trailerness in Soap Operas
- Title(参考訳): find the cliffhanger: soap operasのマルチモーダルトレーラー
- Authors: Carlo Bretti, Pascal Mettes, Hendrik Vincent Koops, Daan Odijk, Nanne
van Noord
- Abstract要約: 長大なビデオからトレーラーにふさわしい瞬間を選択する際に,編集者を支援するために,トレーラー性を予測するマルチモーダル手法を提案する。
新たに導入されたソープオペラデータセットを用いて,トレーラの予測が課題であることを示す。
- 参考スコア(独自算出の注目度): 17.476344577463525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Creating a trailer requires carefully picking out and piecing together brief
enticing moments out of a longer video, making it a chal- lenging and
time-consuming task. This requires selecting moments based on both visual and
dialogue information. We introduce a multi-modal method for predicting the
trailerness to assist editors in selecting trailer- worthy moments from
long-form videos. We present results on a newly introduced soap opera dataset,
demonstrating that predicting trailerness is a challenging task that benefits
from multi-modal information. Code is available at
https://github.com/carlobretti/cliffhanger
- Abstract(参考訳): トレーラーを作るには、より長いビデオから短いエンゲージメントの瞬間を慎重に取り出してまとめる必要がある。
これは視覚情報と対話情報の両方に基づいてモーメントを選択する必要がある。
本稿では,長編ビデオからトレーラーにふさわしいモーメントを選択する際に,トレーラー性を予測するマルチモーダル手法を提案する。
新たに導入されたソープオペラデータセットに,マルチモーダル情報を利用したトレーラの予測が課題であることを示す。
コードはhttps://github.com/carlobretti/cliffhangerで入手できる。
関連論文リスト
- Collaborative Noisy Label Cleaner: Learning Scene-aware Trailers for
Multi-modal Highlight Detection in Movies [12.313098016561543]
我々は、より実用的で有望な設定、すなわち、ハイライト検出を「ノイズラベルによる学習」として再構成することを研究する。
この設定は、時間を要する手動のアノテーションを必要とせず、既存の豊富なビデオコーパスを完全に活用することができる。
MovieLightsとYouTube Highlightsのデータセットに関する総合的な実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-03-26T16:16:31Z) - 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) - Film Trailer Generation via Task Decomposition [65.16768855902268]
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。
スクリーンプレイから特権的テキスト情報を活用する共同コントラストトレーニングを用いて,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的な教師付きアプローチによって生成されるトレーラーを生成する。
論文 参考訳(メタデータ) (2021-11-16T20:50:52Z) - Relation-aware Video Reading Comprehension for Temporal Language
Grounding [67.5613853693704]
ビデオ中の時間的言語基盤は、与えられたクエリ文に関連する時間的スパンをローカライズすることを目的としている。
本稿では,映像読解の時間的基盤を定式化し,それに対応する関係認識ネットワーク(RaNet)を提案する。
論文 参考訳(メタデータ) (2021-10-12T03:10:21Z) - A Case Study of Deep Learning Based Multi-Modal Methods for Predicting
the Age-Suitability Rating of Movie Trailers [15.889598494755646]
IMDBとYouTubeからダウンロードされた英語で映画トレーラーのビデオを含む新しいデータセットを提案する。
映画予告年齢適合性評価問題に対処したマルチモーダルディープラーニングパイプラインを提案する。
論文 参考訳(メタデータ) (2021-01-26T17:15:35Z) - 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) - What is More Likely to Happen Next? Video-and-Language Future Event
Prediction [111.93601253692165]
対話が整ったビデオの場合、人々は次に何が起こるかを見極めることができる。
本研究では,AIモデルがこのようなマルチモーダル・コモンセンスの次世代予測を学べるかどうかを考察する。
新しいデータセットであるVideo-and-Language Event Prediction(ビデオ・アンド・ランゲージ・イベント予測)を収集します。
論文 参考訳(メタデータ) (2020-10-15T19:56:47Z) - 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) - Multi-modal Transformer for Video Retrieval [67.86763073161012]
ビデオの様々なモードを共同で符号化するマルチモーダルトランスを提案する。
自然言語に関しては,マルチモーダル変換器と組み合わさった言語を最適化するベストプラクティスについて検討する。
この新たなフレームワークにより,3つのデータセット上での映像検索の最先端化が可能となる。
論文 参考訳(メタデータ) (2020-07-21T07:38:46Z)
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。