論文の概要: PERSIST: Persistent-State Discrimination for Shot Boundary Detection

• arxiv url: http://arxiv.org/abs/2608.29287v1
• Date: Sat, 29 Aug 2026 14:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.915673
• Title: PERSIST: Persistent-State Discrimination for Shot Boundary Detection
• Title（参考訳）: PERSIST:ショット境界検出のための永続的状態判別
• Abstract要約: ショット境界検出(SBD)は局所的な視覚不連続の局所化として広く扱われている。 境界意味識別としてSBDを再構成する。 PerSISTはすべての決定を検査可能な決定に変換する。
• 参考スコア（独自算出の注目度）: 2.2822910284300355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shot boundary detection (SBD) is widely treated as the localisation of local visual discontinuities, yet many false positives such as hand-held shake, illumination flicker, motion blur, occlusion, and damaged archival material produce equally sharp local change without introducing a new shot. We reformulate SBD as boundary semantic discrimination: a frame is favoured as a boundary only when its local change evidence is accompanied by a persistent update of the video's latent temporal state, rather than a transient excursion that returns to the surrounding trend. This persistence test is operationalised with a continuous latent state from a FiLM-conditioned sinusoidal representation network and a structured discriminator that combines three semantic cues, local change, transient impulse, and return-to-trend, into a single interpretable per-frame signal over a dual-rate temporal backbone. The resulting framework, PERSIST, turns every decision into an inspectable one: the persistence criterion is trained into the classifier, its per-frame effect stays readable from the gate triple, and its learned latent state is measurably boundary-discriminative. On a 2,727-video per-subtype diagnostic it removes 33-80% of flash, text-overlay, and archival false positives relative to an identically trained cue detector, and at matched true-transition recall it roughly halves TransNetV2's pseudo-event false positives on that diagnostic and cuts its false positives on ClipShots footage by about a quarter, while preserving recall. It does so while reaching parity with the strongest public detector across online, broadcast, short-form, and historical-archive transfer evaluations, under markedly stricter training: it learns from ClipShots real transitions only, whereas the anchor draws on additional corpora whose transitions are 85% synthetic. Code is available at https://github.com/linty5/PERSIST.
• Abstract（参考訳）: ショット境界検出(SBD)は局所的な視覚不連続性の局所化として広く扱われるが、手持ちの揺らぎ、照明フリック、動きのぼやけ、閉塞、損傷した人工物など多くの偽陽性は、新しいショットを導入することなく等しく急激な局所変化をもたらす。 我々はSBDを境界セマンティック識別として再構成し、フレームが境界として好まれるのは、その局所的な変化証拠が、周囲の傾向に回帰する過渡的な探索ではなく、ビデオの潜時状態の持続的な更新を伴う場合に限られる。 この持続試験は、FiLM条件の正弦波表現ネットワークと、3つの意味的手がかり、局所変化、過渡的なインパルス、帰路への帰路を結合した構造的判別器とから連続的な潜時状態で、デュアルレートの時間的バックボーン上の単一の解釈可能なフレーム信号として動作させる。 永続性基準は分類器に訓練され、フレーム単位の効果はゲートトリプルから読み取り可能であり、学習された潜在状態は、測定可能な境界識別性を持つ。 2,727ビデオのサブタイプ別診断では、同じ訓練を受けたキュー検出器と比較して33-80%のフラッシュ、テキストオーバーレイ、アーカイブの偽陽性を除去し、一致した真に転移したリコールでは、TransNetV2の偽陽性をほぼ半分にし、ClipShotsの映像の偽陽性を約4分の1削減し、リコールを保存する。 ClipShotsの実際の遷移のみから学習し、アンカーは85%が合成された追加のコーパスで学習する。 コードはhttps://github.com/linty5/PERSISTで入手できる。

関連論文リスト

• On the Adversarial Robustness of Remote Sensing Semantic Change Detection [19.4097466391406]
  意味的変化検出(SCD)は、変化領域とその変化前後の意味状態を共同で識別するバイテンポラル密度予測タスクである。 本稿では,入力側時間摂動アクセスから出力側攻撃目標を分離するタスク固有評価フレームワークを提案する。 実験により、二分的変化の局所化が比較的安定である場合でも、最終的な意味変化予測が著しく悪化することが示された。
  論文  参考訳（メタデータ） (2026-08-15T15:02:42Z)
• Tracing Provenance and Detecting Tampering with Complementary LLM Watermarks [68.64050157343334]
  既存の透かしは編集の際は残されているが、このような堅牢性は、敵が帰属を維持しながら重要な内容を変更することを可能にする。 実証と改ざんの証拠を共同で提供する革新的な透かしを導入する。 信号は同じメカニズムを共有するが、独立キーと正規化テキスト上の異なるシードウィンドウを使用するため、一方は編集に耐性があり、もう一方は読み取り可能な変更に敏感である。
  論文  参考訳（メタデータ） (2026-08-13T01:55:16Z)
• Conformal Coverage Guarantees for Any Video Temporal Grounder [2.3982445219832678]
  連続ビデオにおけるイベント境界は曖昧である: 同じクエリ-ビデオペアと独立アノテータを再アノテートすると、大量のサンプルに対して半分以下に重複するモーメントをマークする。 COVERは出力オブジェクトを変更する。モデルに依存しないラッパーで、グライダー、訓練されたローカライザ、あるいはブラックボックスのビデオ言語モデルをすべて変換する。 2つのスコアファミリ、グラウンドに間隔を出力するグラウンドと、関連する信号を出力するグラウンドに超レベルセットのスコアの2つの境界ワイドスコア。
  論文  参考訳（メタデータ） (2026-08-07T17:19:27Z)
• SPLIT: Training-Free AI-Generated and Partially Edited Video Detection via Spatial Patch-Level Incoherence and Temporal Roughness [4.774658730084455]
  本研究では,凍結した視覚エンコーダのパッチトークンを用いて,完全に生成されたビデオと部分的に編集されたビデオの両方を検出するトレーニングフリー検出器を提案する。 SPLITは2段階テンポラルラフネス(TTR)と局所空間運動インコヒーレンス(LSMI)の2つの補完信号を計算する 固定FPRにおけるフェイクリコールに基づくサービス整合性評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-07-03T02:34:50Z)
• Recovering Input Text from Hidden States: Study of Gradient-Based Inversion of Decoder-Only Language Models [0.0]
  隠れ状態反転問題を連続埋め込み空間最適化として検討する。 我々は、どのトークンが再構成を破るかを分析し、鋭い分類的非対称性を見つける。 GPT-2の最後の層が隠された状態は、原文と同じくらい敏感である。
  論文  参考訳（メタデータ） (2026-07-01T12:18:12Z)
• Distilling Temporal Coherence into 2D Networks for Transrectal Ultrasound Prostate Video Segmentation [2.65131397683555]
  経直腸超音波(TRUS)における前立腺のリアルタイムビデオセグメンテーションは画像誘導的介入に不可欠である。 本稿では,時間的コヒーレンスをトレーニング中に2次元ネットワークに蒸留する時間的一貫性学習フレームワークを提案する。 前立腺は幾何学的安定性を示し,周囲の音環境は生理的動きや振動子圧力によって変動する。
  論文  参考訳（メタデータ） (2026-06-30T06:27:02Z)
• Temporal Backtracking Search for Test-time Generative Video Reasoning [51.4821857044108]
  生成的ビデオ推論は、シングルショットのパラダイムによってボトルネックになっている。 本稿では,検索空間を時間軸にシフトさせるTBS(Temporal Backtracking Search)を提案する。 厳格なアウト・オブ・ディストリビューション設定では、TBSは22.7%を達成し、解決された各エピソードは再起動されたブランチから始まる。
  論文  参考訳（メタデータ） (2026-06-11T19:41:18Z)
• PROBE: Diagnosing Residual Concept Capacity in Erased Text-to-Video Diffusion Models [9.957850061310054]
  テキスト・ツー・ビデオ(T2V)拡散モデルの概念技術は、センシティブなコンテンツの相当な抑制を報告している。 本稿では,T2Vモデルにおけるテクストの潜在的な消去概念を定量化する診断プロトコル PROBE を紹介する。
  論文  参考訳（メタデータ） (2026-03-23T04:01:13Z)
• FILT3R: Latent State Adaptive Kalman Filter for Streaming 3D Reconstruction [51.56484100374058]
  ストリーミング3D再構築は、受信フレームからオンラインで更新される永続的な潜伏状態を維持する。 FILT3Rは、トークン空間における状態推定として、リカレントな状態更新をキャストする。 コードはhttps://github.com/jinotter3/FILT3Rでリリースされる。
  論文  参考訳（メタデータ） (2026-03-19T04:56:36Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• Context-aware TFL: A Universal Context-aware Contrastive Learning Framework for Temporal Forgery Localization [60.73623588349311]
  本研究では,時間的フォージェリーローカライゼーションのための共通文脈対応コントラスト学習フレームワーク (UniCaCLF) を提案する。 提案手法は教師付きコントラスト学習を利用して,異常検出による偽造瞬間の検出と同定を行う。 実物と偽物との間における特徴の識別可能性の限界をさらに押し上げるために、効率的な文脈対応コントラスト符号化を導入する。
  論文  参考訳（メタデータ） (2025-06-10T06:40:43Z)
• RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
  GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。 既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。 我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。 本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2023-08-11T12:17:24Z)
• Boosting Continuous Sign Language Recognition via Cross Modality Augmentation [135.30357113518127]
  連続手話認識は不整合のビデオテキストペアを扱う。 クロスモーダル拡張を用いた新しいアーキテクチャを提案する。 提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-10-11T15:07:50Z)

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。