Key points are not available for this paper at this time.
Die semantische Filterung und der Abruf von Multimedia-Inhalten sind entscheidend für die effiziente Nutzung von Multimedia-Datenbanken. Die Videoabfrage mithilfe semantischer Schlüsselwörter ist eines der schwierigsten Probleme im Bereich der Multimedia-Datenabruf. Die Schwierigkeit liegt in der Zuordnung zwischen niedrig-leveliger Video-Darstellung und hoch-leveliger Semantik. Daher formulieren wir das Problem des Zugriffs auf Multimedia-Inhalte als ein Problem der Mustererkennung in Multimedia. Wir schlagen ein probabilistisches Framework für das semantische Video-Indexing vor, das das Filtern und den Abruf unterstützt und einen effizienten inhaltsbasierten Zugriff erleichtert. Um niedrig-levelige Merkmale mit hoch-leveliger Semantik zu verknüpfen, schlagen wir probabilistische Multimedia-Objekte (Multijects) vor. Beispiele für Multijects in Filmen sind Explosion, Berg, Strand, im Freien, Musik usw. Semantische Konzepte in Videos interagieren, und um diese Interaktion explizit zu modellieren, schlagen wir ein Netzwerk von Multijects (Multinet) vor. Durch die Verwendung probabilistischer Modelle für sechs Standort-Multijects: Felsen, Himmel, Schnee, Gewässer, Forst/Wald und im Freien sowie unter Verwendung eines Bayes'schen Glaubensnetzwerks als Multinet demonstrieren wir die Anwendung dieses Frameworks zum semantischen Indexing. Wir zeigen, wie die Erkennungsleistung erheblich verbessert werden kann, indem das Multinet interkonzeptionelle Beziehungen berücksichtigt. Zudem zeigen wir, wie das Multinet heterogene Merkmale fusionieren kann, um die Erkennung basierend auf Inferenz und Schlussfolgerung zu unterstützen.
Naphide et al. (Thu,) haben diese Frage untersucht.