Please wait a minute...
Advanced Search
现代图书情报技术  2012, Vol. 28 Issue (5): 76-80    DOI: 10.11925/infotech.1003-3513.2012.05.12
  应用实践 本期目录 | 过刊浏览 | 高级检索 |
多特征视频分类挖掘实验研究
陈芬1,2, 赖茂生3
1. 南京大学信息管理学院 南京 210093;
2. 南京理工大学经济管理学院 南京 210094;
3. 北京大学信息管理系 北京 100871
Video Classification Using Multiple Features
Chen Fen1,2, Lai Maosheng3
1. School of Information Management, Nanjing University, Nanjing 210093, China;
2. School of Economics and Management, Nanjing University of Science and Technology, Nanjing 210094, China;
3. Department of Information Management, Peking University, Beijing 100871, China
全文: PDF(739 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 主要描述笔者进行的分类挖掘研究实验。该实验基于北卡罗来纳大学(UNC)的Open Video项目,使用支持向量机对抽取的低层视觉和高层语义特征进行挖掘,考察不同类型的关键帧集合对于分类结果的影响并全面比较各种类型的特征及不同组合在分类中的贡献。结果表明,基于多特征的视觉和文本的结合能够取得较好的分类结果;此外,关键词和描述对挖掘效果具有不同影响。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
陈芬
赖茂生
关键词 视频挖掘视频分类分类    
Abstract:This article introduces a classification experiment which is based on UNC's Open Video project. In this experiment, the authors focus on the respective effects of different types of key frame collection, and compare the contribution of various features and their combination in details. Furthermore,the result shows that combination of visual and text features can achieve the best mining accuracy, and keywords and descriptions have different influence on the mining effect.
Key wordsVideo mining    Video classification    Classification
收稿日期: 2012-02-14     
: 

G350

 
基金资助:

本文系教育部人文社会科学研究项目“基于云平台的视频信息组织和挖掘研究”(项目编号:10YJC870001)、南京理工大学自主科研专项计划一般项目“复合视频信息的组织和挖掘研究”(项目编号:2011YBXM94)和教育部人文社会科学重点研究基地重大项目“基于智能信息处理的知识挖掘技术及应用研究”(项目编号: 08JJD870225)的研究成果之一。

引用本文:   
陈芬, 赖茂生. 多特征视频分类挖掘实验研究[J]. 现代图书情报技术, 2012, 28(5): 76-80.
Chen Fen, Lai Maosheng. Video Classification Using Multiple Features. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2012.05.12.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2012.05.12
[1] Fischer S, Lienhart R, Effelsberg W. Automatic Recognition of Film Genres[C]. In:Proceedings of the 3rd ACM International Conference on Multimedia,San Francisco, CA, USA.1995:295-304.

[2] Chang S F, Ellis D, Jiang W,et al. Large-Scale Multimodal Semantic Concept Detection for Consumer Video[C]. In: Proceedings of the International Workshop on Workshop on Multimedia Information Retrieval,Augsburg, Bavaria, Germany.2007:255-264.

[3] Chen S C, Shyu M L, Chen M, et al. A Decision Tree-based Multimodal Data Mining Framework for Soccer Goal[C]. In: Proceedings of the IEEE International Conference on Multimedia and Expo. 2004:265-268.

[4] Pan J Y, Faloutsos C.VideoCube: A Novel Tool for Video Mining and Classification[C]. In:Proceedings of the 5th International Conference on Asian Digital Libraries (ICADL 2002). 2002:194-205.

[5] Yang L J, Liu J M, Yang X K,et al. Multi-Modality Web Video Categorization[C]. In:Proceedings of the International Workshop on Multimedia Information Retrieval(MIR'07),Augsburg, Bavaria, Germany.2007:265-274.

[6] Rasheed Z, Sheikh Y, Shah M. On the Use of Computable Features for Film Classification[J]. IEEE Transactions on Circuits and System for Video Technology, 2005,15(1): 52-64.

[7] Yuan X, Lai W, Mei T,et al. Automatic Video Genre Categorization Using Hierarchical SVM[C].In: Proceedings of 2006 IEEE International Conference on Image Processing,Atlanta, USA.2006:2905-2908.

[8] Open Video Digital Library Project[OL].[2012-02-10]. http://www.open-video.org/index.php.

[9] MERIT[OL]. [2012-02-10]. http://lamp.cfar.umd.edu/media/research/MERIT/.

[10] Wikipedia.Cohen's Kappa Coefficient[EB/OL].[2012-02-10]. http://en.wikipedia.org/wiki/Cohen%27s_kappa.

[11] Text Transformation and Classification Accuracy[OL]. [2012-02-10]. http://www.ils.unc.edu/~cablake/ inls890_f06/.

[12] The Banana Tree.Stop Word List[EB/OL].[2012-02-10]. http://www.thebananatree.org/stoplist.html.
[1] 李茹,李锐,蒋捷,吴华意. 网络地图用户访问会话时空特征分析*[J]. 数据分析与知识发现, 2019, 3(6): 1-11.
[2] 周成,魏红芹. 专利价值评估与分类研究*——基于自组织映射支持向量机[J]. 数据分析与知识发现, 2019, 3(5): 117-124.
[3] 余本功,陈杨楠,杨颖. 基于nBD-SVM模型的投诉短文本分类*[J]. 数据分析与知识发现, 2019, 3(5): 77-85.
[4] 张庆庆,贺兴时,王慧敏,蒙胜军. 基于深度信念网络的文本情感分类研究*[J]. 数据分析与知识发现, 2019, 3(4): 71-79.
[5] 肖连杰,郜梦蕊,苏新宁. 一种基于模糊C-均值聚类的欠采样集成不平衡数据分类算法*[J]. 数据分析与知识发现, 2019, 3(4): 90-96.
[6] 桂思思,陆伟,张晓娟. 基于查询表达式特征的时态意图识别研究*[J]. 数据分析与知识发现, 2019, 3(3): 66-75.
[7] 薛翔,赵宇翔. 音乐平台中音乐分类体系的用户心智模型研究*——以高校学生群体为例[J]. 数据分析与知识发现, 2019, 3(2): 1-12.
[8] 谭章禄,王兆刚,胡翰. 一种基于χ2统计的特征分类选择方法研究*[J]. 数据分析与知识发现, 2019, 3(2): 72-78.
[9] 张紫玄,王昊,朱立平,邓三鸿. 中国海关HS编码风险的识别研究*[J]. 数据分析与知识发现, 2019, 3(1): 72-84.
[10] 李静,刘潇,王效俐. 邻域粗糙集融合网格搜索组合分类器的理财决策知识获取研究*[J]. 数据分析与知识发现, 2019, 3(1): 85-94.
[11] 李慧,柴亚青. 基于卷积神经网络的细粒度情感分析方法*[J]. 数据分析与知识发现, 2019, 3(1): 95-103.
[12] 李湘东,高凡,李悠海. 共通语义空间下的跨文献类型文本自动分类研究*[J]. 数据分析与知识发现, 2018, 2(9): 66-73.
[13] 伍杰华,沈静,周蓓. 基于迁移成分分析的多层社交网络链接分类*[J]. 数据分析与知识发现, 2018, 2(9): 88-99.
[14] 李心蕾,王昊,刘小敏,邓三鸿. 面向微博短文本分类的文本向量化方法比较研究*[J]. 数据分析与知识发现, 2018, 2(8): 41-50.
[15] 贾隆嘉,张邦佐. 高校网络舆情安全中主题分类方法研究*——以新浪微博数据为例[J]. 数据分析与知识发现, 2018, 2(7): 55-62.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn