【计算机视觉文章阅读之二】Video2Gif: Automatic Generation of Animated GIFs from Video_CVPR2016

本文介绍了CVPR2016会议上的一项研究,旨在从视频中自动生成GIF。研究构建了一个包含120K个GIF和80K个源视频的数据库,利用RankNet网络和自适应Huber损失函数进行训练,提高了匹配准确性和效率。实验结果显示,该方法在平均精度和有意义摘要时长方面优于其他方法。
摘要由CSDN通过智能技术生成

Video2Gif: Automatic Generation of Animated GIFs from Video 将视频转成GIF

  • 一、文章大体概括
  • 二、文章主要内容
  • 三、评估结果
  • 四、总结

今天要讲的这篇是CVPR2016的文章,文章要做的事情在题目当中也写的很清楚,就是要从源视频当中提取GIF小片段,GIF就是短小的,循环播放的无声由50帧左右组成的小视频,一般表达的是强烈的情感,或者什么好玩的事情。现在有GIFSoup, Imgflip, Ezgif这三个商业软件,用户可以手动选择视频当中的一些小片段形成动图。由于现在GIF动图特别流行,所以作者就想做这么一款自动生成动图的想法的文章,有现实的需求和意义。

一、文章大体概括

这里写图片描述
文章的大致流程就是上图所示,先在youtube上匹配GIF与其对应的源视频,形成一个数据集。在网络训练阶段,采用的是RankNet这个网络,一次输入一对正例和负例视频,计算两个之间的判断误差,为了更好的评估两者之间的误差,本文引入了自适应的Huber loss计算误差的方式,得到训练好的排名模型。在测试阶段,输入一段视频,就可以得到这个视频中的小片段成为GIF的匹配度大小。

二、文章主要内容

1、Video2Gif数据库

文章在手动选取GIF动图的软件中,搜索匹配原有GIF对应的源视频的时候,方便之后文章的建立和学习,建立了一个关于GIF的数据库,数据库中包含120K个动图,以及超过80K个的视频,总体包括了7379小时。

在找到GIF与其对应的源视频之后,为了数据库能够从各个方面进行进一步的评估应用等,这里要找到GIF与其对应的源视频,打算做一个将二者匹配起来的工作,也方便之后监督学习的时候作为训练数据。

GIF与源视频进行匹配的工作,采用的是将两者的每一帧都采用离散余弦变化得到的一个矢量表示,之后这个矢量用二值化表现形式进行体现,最后通过比较这个矩阵的汉明距离来判断是否出现了重复片段,以此判

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值