निर्दिष्ट विशेषता अध्ययन स्वतंत्र वीडियो संक्षेपण के लिए

इस लेख में, हम असामान्य वीडियो संक्षेपण की समस्या को संबोधित करते हैं जो एक इनपुट वीडियो से कुंजी-शॉट्स को स्वचालित रूप से निकालता है। विशेष रूप से, हम अपने अनुभवात्मक अवलोकनों के आधार पर दो महत्वपूर्ण मुद्दों का समाधान करते हैं: (i) प्रत्येक फ्रेम के लिए आउटपुट महत्व स्कोर के सपाट वितरण के कारण अप्रभावी विशेषता अध्ययन, और (ii) लंबे वीडियो इनपुट के साथ निपटने में प्रशिक्षण की कठिनाई। पहले समस्या को कम करने के लिए, हम एक सरल लेकिन प्रभावी नियमितकरण हानि शब्द का प्रस्ताव करते हैं जिसे वैरिएंस हानि कहते हैं। प्रस्तावित वैरिएंस हानि नेटवर्क को प्रत्येक फ्रेम के लिए उच्च भिन्नता वाली आउटपुट स्कोर भविष्यवाणी करने की अनुमति देती है, जिससे प्रभावी विशेषता अध्ययन संभव होता है और मॉडल की प्रदर्शन में महत्वपूर्ण सुधार होता है। दूसरी समस्या के लिए, हम एक नवीन द्वीप धार नेटवर्क का डिजाइन करते हैं जिसे चंक और स्ट्राइड नेटवर्क (CSNet) कहा जाता है, जो वीडियो विशेषताओं पर स्थानीय (चंक) और वैश्विक (स्ट्राइड) अस्थायी दृश्य का उपयोग करता है। हमारा CSNet लंबे-length वीडियो के लिए बेहतर संक्षेपण परिणाम देता है जो मौजूदा विधियों की तुलना में। इसके अतिरिक्त, हम वीडियो में गतिशील जानकारी को संभालने के लिए एक ध्यान तंत्र प्रस्तुत करते हैं। हम व्यापक अपाहिज अध्ययन करके प्रस्तावित विधियों की प्रभावशीलता का प्रदर्शन करते हैं और दिखाते हैं कि हमारा अंतिम मॉडल दो बेंचमार्क डेटासेट पर नए राज्य-कलाप परिणाम प्राप्त करता है।