論文の概要: TripletViNet: Mitigating Misinformation Video Spread Across Platforms
- arxiv url: http://arxiv.org/abs/2407.10644v1
- Date: Mon, 15 Jul 2024 12:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 15:21:27.011732
- Title: TripletViNet: Mitigating Misinformation Video Spread Across Platforms
- Title（参考訳）: TripletViNet: プラットフォーム間の誤情報拡散を緩和する
- Authors: Petar Smolovic, Thilini Dahanayaka, Kanchana Thilakarathna,
- Abstract要約: 最近、多くのプラットフォームでフェイクニュースや誤報ビデオが広まっている。
最近の研究は、単一のプラットフォーム内で暗号化されたネットワークトラフィックからビデオタイトルを識別できる可能性を示している。
クロスプラットフォームビデオ認識には既存の方法はない。
- 参考スコア（独自算出の注目度）: 3.1492627280939547
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: There has been rampant propagation of fake news and misinformation videos on many platforms lately, and moderation of such content faces many challenges that must be overcome. Recent research has shown the feasibility of identifying video titles from encrypted network traffic within a single platform, for example, within YouTube or Facebook. However, there are no existing methods for cross-platform video recognition, a crucial gap that this works aims to address. Encrypted video traffic classification within a single platform, that is, classifying the video title of a traffic trace of a video on one platform by training on traffic traces of videos on the same platform, has significant limitations due to the large number of video platforms available to users to upload harmful content to. To attempt to address this limitation, we conduct a feasibility analysis into and attempt to solve the challenge of recognizing videos across multiple platforms by using the traffic traces of videos on one platform only. We propose TripletViNet, a framework that encompasses i) platform-wise pre-processing, ii) an encoder trained utilizing triplet learning for improved accuracy and iii) multiclass classifier for classifying the video title of a traffic trace. To evaluate the performance of TripletViNet, a comprehensive dataset with traffic traces for 100 videos on six major platforms with the potential for spreading misinformation such as YouTube, X, Instagram, Facebook, Rumble, and Tumblr was collected and used to test TripletViNet in both closed-set and open-set scenarios. TripletViNet achieves significant improvements in accuracy due to the correlation between video traffic and the video's VBR, with impressive final accuracies exceeding 90% in certain scenarios.
- Abstract（参考訳）: 最近、多くのプラットフォームでフェイクニュースや誤報ビデオの拡散が激化しており、こうしたコンテンツのモデレーションは克服すべき多くの課題に直面している。
最近の研究では、YouTubeやFacebookのように、単一のプラットフォーム内で暗号化されたネットワークトラフィックからビデオタイトルを識別できる可能性が示されている。
しかし、クロスプラットフォームのビデオ認識には既存の方法がない。
単一のプラットフォーム内での暗号化されたビデオトラフィック分類、すなわち、同じプラットフォーム上のビデオのトラフィックトレースをトレーニングすることで、あるプラットフォーム上のビデオのトラフィックトレースのビデオタイトルを分類する。
この制限に対処するために、我々は複数のプラットフォームにまたがるビデオ認識の課題に対して、一つのプラットフォーム上でのみビデオのトラフィックトレースを使用することで、実現可能性の分析を行い、解決しようとする。
我々はTripletViNetというフレームワークを提案する。
一 プラットフォーム単位での事前処理
二 正確性の向上のために三重項学習を練習したエンコーダ
三 トラストのビデオタイトルを分類するためのマルチクラス分類器
TripletViNetのパフォーマンスを評価するために、YouTube、X、Instagram、Facebook、Rumble、Tumblrといった誤情報を広げる可能性を秘めた6つの主要なプラットフォーム上で、100のビデオのトラフィックトレースを備えた包括的なデータセットが収集され、クローズドセットとオープンセットの両方のシナリオでTripletViNetのテストに使用された。
TripletViNetは、ビデオトラフィックとビデオのVBRの相関による精度の大幅な向上を実現している。
関連論文リスト
- Sync from the Sea: Retrieving Alignable Videos from Large-Scale Datasets [62.280729345770936]
AVR(Alignable Video Retrieval)の課題について紹介する。
クェリビデオが与えられた場合、我々は大量のクリップから良質な映像を識別し、時間的にクェリに同期させることができる。
大規模なKineetics700を含む3つのデータセットに関する実験は、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） (2024-09-02T20:00:49Z) - Unveiling the Potential: Harnessing Deep Metric Learning to Circumvent Video Streaming Encryption [4.522744286037825]
暗号化されたビデオストリーム検出のためのトリプルト損失法に基づくディープメトリック学習フレームワークを提案する。
提案手法は,1000本以上のビデオのデータセットによく対応している。
本研究は,このサイドチャネル攻撃が,当初考えられていたよりも広い範囲に適用可能であることを示唆する。
論文 参考訳（メタデータ） (2024-05-16T08:49:05Z) - InternVideo: General Video Foundation Models via Generative and
Discriminative Learning [52.69422763715118]
動的および複雑なビデオレベルの理解タスクのための一般的なビデオ基盤モデルであるInternVideoを提案する。
InternVideoは、事前学習対象として、マスク付きビデオモデリングとビデオ言語コントラスト学習を効率的に探索する。
InternVideoは、ビデオアクション認識/検出、ビデオ言語アライメント、オープンワールドビデオアプリケーションなど、39のビデオデータセットの最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-12-06T18:09:49Z) - Enabling Weakly-Supervised Temporal Action Localization from On-Device
Learning of the Video Stream [5.215681853828831]
長編未編集のストリーミングビデオから学習するための効率的なビデオ学習手法を提案する。
私たちの知る限りでは、オンデバイスで長いビデオストリームから直接学習する最初の試みです。
論文 参考訳（メタデータ） (2022-08-25T13:41:03Z) - VPN: Video Provenance Network for Robust Content Attribution [72.12494245048504]
VPN - オンラインで共有されているビデオから出典情報を復元するコンテンツ属性手法を提案する。
完全長あるいは切り離されたビデオクエリを用いて,このようなビデオのマッチングに頑健な検索埋め込みを学習する。
一度ビデオクリップの信頼できるデータベースにマッチすると、そのクリップの出所に関する関連情報がユーザに提示される。
論文 参考訳（メタデータ） (2021-09-21T09:07:05Z) - VALUE: A Multi-Task Benchmark for Video-and-Language Understanding
Evaluation [124.02278735049235]
VALUEベンチマークは、幅広いビデオジャンル、ビデオの長さ、データボリューム、タスクの難易度をカバーすることを目的としている。
大規模なVidL事前学習による各種ベースライン法の評価を行った。
我々の最高のモデルと人間のパフォーマンスの間の大きなギャップは、先進的なVidLモデルの将来の研究を要求する。
論文 参考訳（メタデータ） (2021-06-08T18:34:21Z) - Few-Shot Video Object Detection [70.43402912344327]
本稿では,Few-Shot Video Object Detection (FSVOD) を紹介する。
fsvod-500は500のクラスからなり、各カテゴリーにクラスバランスのビデオがある。
私達のTPNおよびTMN+は共同およびエンドツーエンドの訓練されます。
論文 参考訳（メタデータ） (2021-04-30T07:38:04Z) - Efficient video integrity analysis through container characterization [77.45740041478743]
本稿では,ビデオ操作に使用するソフトウェアをコンテナベースで識別する手法を提案する。
提案手法は効率的かつ効果的であり,その決定の簡易な説明も可能である。
プリストインを改ざんされたビデオと区別し、編集ソフトを分類することで97.6%の精度を達成している。
論文 参考訳（メタデータ） (2021-01-26T14:13:39Z)
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。