摘要
是对视频内容的高度概括,选择出具有多样性和重要性的视频帧子集。文章从关键帧代表性不够全面的角度出发,提出一种利用多路特征来提取视频关键帧的方法,通过卷积神经网络(convolutional neural network,CNN)和长短时记忆网络(long short-term memory,LSTM)来预测视频帧被选中的概率。将提取出的视频帧的原始特征送入LSTM,将处理过的两两视频帧特征的差特征也做同样的处理,差特征包含了相邻视频帧之间更多不同的信息。由于LSTM长期依赖的特性,使得整个网络可以学习到视频上下文之间更多的信息,通过对处理过的两路特征做得分融合,作为判断视频帧被选择与否的最终得分。文中的强化学习机制对视频摘要有优化的作用,实验在两个基准数据集SuMme和TVSum上进行。结果表明,该方法能够显著提高调和平均数(F-score)指标。
- 单位