論文の概要: KnowVis: Knowledge-Centric Visual Summarization for Video Lectures
- arxiv url: http://arxiv.org/abs/2609.03742v2
- Date: Mon, 07 Sep 2026 04:26:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-09 14:43:41.906505
- Title: KnowVis: Knowledge-Centric Visual Summarization for Video Lectures
- Title（参考訳）: KnowVis: ビデオ講義のための知識中心のビジュアル要約
- Abstract要約: 我々は,リニアビデオ講義を教育的基礎とした視覚的物語に変換するフレームワークであるKnowVisを提案する。
KnowVisはまず、重要かつ困難なしきい値の概念を特定するために、マルチモーダルビデオコンテンツから詳細な概念マップを抽出する。
その後、構造化された知識ユニットを構築し、最終的に係わる視覚的な要約を合成する。
- 参考スコア（独自算出の注目度）: 14.336793734778574
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Video lectures are valuable educational resources, but their dense and lengthy formats often overwhelm novice learners. This difficulty stems from a fundamental pedagogical mismatch: while videos deliver transient information linearly, human learning requires constructing interconnected cognitive networks, a task that induces severe cognitive overload for novice learners lacking prior domain knowledge. Existing video summarization methods fail to resolve this mismatch, as they primarily produce text-heavy, linear condensations that still demand high cognitive effort. To bridge this gap, we propose KnowVis, a framework that transforms linear video lectures into pedagogically grounded visual narratives. KnowVis first extracts a detailed concept map from multimodal video content to identify important and challenging threshold concepts, then constructs structured knowledge units, and finally synthesizes engaging visual summaries. Alongside the framework, we introduce a curated dataset of 125 educational videos across 10 academic disciplines, paired with 1,079 generated visual summaries. Extensive automated evaluations and a human study demonstrate that, compared to state-of-the-art baselines, KnowVis generates more accurate and clear visuals that successfully reduce cognitive load and significantly improve student learning effectiveness and knowledge retention.
- Abstract（参考訳）: ビデオ講義は貴重な教育資源であるが、その密集した長大な形式はしばしば初心者の学習者を圧倒する。
ビデオは過渡的な情報を直線的に配信するが、人間の学習には相互接続された認知ネットワークを構築する必要がある。
既存のビデオ要約手法では、このミスマッチの解決に失敗する。
このギャップを埋めるために,線形ビデオ講義を教育的に基礎とした視覚的物語に変換するフレームワークであるKnowVisを提案する。
KnowVisはまず、重要かつ挑戦的なしきい値の概念を特定するために、マルチモーダルビデオコンテンツから詳細な概念マップを抽出し、構造化された知識ユニットを構築し、最終的に魅力的な視覚要約を合成する。
フレームワークの他に,10の学問分野にわたる125の教育ビデオのキュレートされたデータセットを導入し,1,079の視覚的要約と組み合わせた。
大規模な自動評価と人間の研究では、最先端のベースラインと比較して、KnowVisはより正確で明確な視覚を生成し、認知負荷を低減し、学生の学習効率と知識保持を大幅に改善することを示した。
関連論文リスト
- Looking Beyond the Obvious: A Survey on Abstract Concept Recognition for Video Understanding [22.83154031059576]
抽象概念認識は、ビデオ理解において重要なオープンチャレンジを形成する。
基礎モデルの最近の進歩は、ビデオの抽象的な概念理解に対処するための理想的な設定である。
ビデオコンテンツにおける抽象概念を理解するために使用される様々なタスクやデータセットについて研究する。
論文 参考訳（メタデータ） (2025-08-28T13:19:49Z) - Knowledge-enhanced Multi-perspective Video Representation Learning for
Scene Recognition [33.800842679024164]
我々は,映像シーン認識の課題に対処し,高レベルの映像表現を学習して映像シーンを分類することを目的とする。
既存の作品の多くは、時間的視点で視覚情報やテキスト情報のみからビデオのシーンを識別している。
複数の視点から映像表現をモデル化する新しい2ストリームフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-09T04:37:10Z) - InternVid: A Large-scale Video-Text Dataset for Multimodal Understanding
and Generation [90.71796406228265]
InternVidは大規模なビデオ中心のマルチモーダルデータセットで、強力で転送可能なビデオテキスト表現の学習を可能にする。
InternVidデータセットは700万本以上のビデオが760万時間近く持続し、合計4.1Bワードの詳細な記述を伴う234万本のビデオクリップが生成される。
論文 参考訳（メタデータ） (2023-07-13T17:58:32Z) - A Video Is Worth 4096 Tokens: Verbalize Videos To Understand Them In
Zero Shot [67.00455874279383]
そこで本研究では,自然言語による記述を生成するために長編動画を音声化し,生成したストーリーの映像理解タスクを実行することを提案する。
提案手法は,ゼロショットであるにもかかわらず,ビデオ理解のための教師付きベースラインよりもはるかに優れた結果が得られる。
ストーリー理解ベンチマークの欠如を緩和するため,我々は,説得戦略の識別に関する計算社会科学における重要な課題に関する最初のデータセットを公開している。
論文 参考訳（メタデータ） (2023-05-16T19:13:11Z) - How Would The Viewer Feel? Estimating Wellbeing From Video Scenarios [73.24092762346095]
情緒応答と主観的幸福感に注釈を付けた6万本以上のビデオを備えた大規模データセットを2つ導入した。
Video Cognitive Empathyデータセットには、微粒な感情応答の分布のためのアノテーションが含まれており、モデルが感情状態の詳細な理解を得ることができる。
Video to Valenceデータセットには、ビデオ間の相対的な快適性のアノテーションが含まれている。
論文 参考訳（メタデータ） (2022-10-18T17:58:25Z) - Learning Transferable Spatiotemporal Representations from Natural Script
Knowledge [65.40899722211726]
本稿では,ASR(TVTS)のためのビデオトランスクリプト(Turning to Video Transcript for ASR)を提案する。
この利点により、我々のモデルは人間のように起きていることを文脈化し、現実世界の大規模未計算ビデオデータにシームレスに適用することができる。
論文 参考訳（メタデータ） (2022-09-30T07:39:48Z) - Self-Supervised Learning for Videos: A Survey [70.37277191524755]
自己教師型学習は、画像ドメインとビデオドメインの両方で有望である。
本稿では,ビデオ領域に着目した自己教師型学習における既存のアプローチについて概観する。
論文 参考訳（メタデータ） (2022-06-18T00:26:52Z) - Learning from Untrimmed Videos: Self-Supervised Video Representation
Learning with Hierarchical Consistency [60.756222188023635]
教師なしビデオにおいて,より豊富な情報を活用することで表現の学習を提案する。
HiCoは、トリミングされていないビデオのより強力な表現を生成するだけでなく、トリミングされたビデオに適用した場合の表現品質も向上する。
論文 参考訳（メタデータ） (2022-04-06T18:04:54Z) - VidLanKD: Improving Language Understanding via Video-Distilled Knowledge
Transfer [76.3906723777229]
言語理解を改善するためのビデオ言語知識蒸留法VidLanKDを提案する。
我々は、ビデオテキストデータセット上でマルチモーダル教師モデルを訓練し、その知識をテキストデータセットを用いて学生言語モデルに伝達する。
我々の実験では、VidLanKDはテキストのみの言語モデルや発声モデルよりも一貫した改善を実現している。
論文 参考訳（メタデータ） (2021-07-06T15:41:32Z) - VLEngagement: A Dataset of Scientific Video Lectures for Evaluating
Population-based Engagement [23.078055803229912]
ビデオ講義は、現在のデジタル時代の大衆に知識を与える主要なモダリティの1つとなっている。
科学ビデオ講義における学習者の関与を理解することを目的としたデータと研究は依然として重要なニーズである。
本稿では,VLEngagementについて紹介する。VLEngagementは,公開科学ビデオ講義から抽出したコンテンツベースおよびビデオ特有の特徴からなる,新しいデータセットである。
論文 参考訳（メタデータ） (2020-11-02T14:20:19Z) - Classification of Important Segments in Educational Videos using
Multimodal Features [10.175871202841346]
本稿では,最先端の音声・視覚・テキスト機能を利用したマルチモーダルニューラルアーキテクチャを提案する。
本実験では,視覚的・時間的情報の影響と,重大予測に対するマルチモーダル特徴の組み合わせについて検討した。
論文 参考訳（メタデータ） (2020-10-26T14:40:23Z) - Video Action Understanding [6.04698204230499]
本チュートリアルでは,教師付きビデオ行動理解における基本的話題,基本概念,特筆すべき例を紹介し,体系化する。
具体的には、アクション問題の分類を明らかにし、ビデオデータセットのカタログ化とハイライトを行い、一般的なビデオデータ作成方法を記述し、提案したソリューションをベースライン化するためにドメイン固有のメトリクスを形式化する。
論文 参考訳（メタデータ） (2020-10-13T19:29:41Z)
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。