VCSL复现（视频抄袭片段定位数据集及测试基准）

cgnerds

已于 2022-08-28 10:22:47 修改

阅读量797

点赞数

分类专栏：深度学习文章标签：深度学习视频检索

于 2022-08-28 01:33:42 首次发布

本文链接：https://blog.csdn.net/zhuxiaoyang2000/article/details/126564889

版权

本文介绍了VCSL（Video Copy Segment Localization）数据集和测试基准，源自2022年CVPR会议，由支付宝团队开源。内容包括项目概述、数据集下载、模型训练和测试流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、项目简介

1. 项目网址

Video Copy Segment Localization (VCSL) dataset and benchmark (CVPR2022)

2. 内容简介

该项目是支付宝团队开源的工具。

二、数据集下载

1. 下载工具

pip install you-get

2. 下载脚本

# -*-coding:utf-8-*-
import sys
import you_get
import csv

error_urls = []
error_uuids = []
videos_error_file = open("video_error.csv", "w")
csv_error_writer = csv.writer(videos_error_file)

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

cgnerds

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

蚂蚁集团开源大规模视频侵权定位数据集

m0_66546649的博客

03-14

5339

“做衣服不买布”，有专家这样形容短视频的侵权行为。截至2021年12月底，中国短视频用户规模达到9.34亿。但面对海量的视频内容，“如何监测”也是一个老大难的问题。网络短视频内容审核标准细则（2021）蚂蚁的技术同学也在想办法。最近，蚂蚁集团向全球开发者开源了一个用于视频侵权检测的AI数据集——VCSL（Video Copy Segment Localization）。这是目前为止最大的视频侵权AI数据集，这一成果被计算机视觉A类顶级会议CVPR 2022收录。 01 数...

vCLS异常导致集群服务降级或者不正常

u014370046的博客

10-07

5573

在vsan 集群中，vCLS虚拟机运行在vsanstorage 存储里，当整个集群关机再开机后，vCLS运行可能不正常，

3 条评论您还未登录，请先登录后发表或查看评论

CVPR 2022 | 16万视频对、28万对片段，蚂蚁开源视频侵权检测超大数据集

idol24的博客

05-14

600

作者：蚂蚁集团该研究提出了目前最大规模（超过现有其他数据集 2 个数量级规模）的视频侵权定位数据集VCSL，并提出全新的视频片段拷贝检测的评价指标。相关研究入选CVPR 2022。传统的版权保护行业费时、费力、成本高，海量内容难以全量保护，内容分发难以掌控传播的安全问题。区块链技术具有不可篡改、追根溯源、分布式共识等特点，和数字版权保护具有天然契合之处，将区块链技术与 A...

视频片段复制定位（VCSL）：开启视频抄袭检测的新纪元

gitblog_00064的博客

08-06

988

视频片段复制定位（VCSL）：开启视频抄袭检测的新纪元项目地址:https://gitcode.com/gh_mirrors/vc/VCSL 在多媒体技术日新月异的今天，保护原创内容成为了业界的一大挑战。为应对此需求，【Video Copy Segment Localization (VCSL)】项目横空出世，并作为CVPR2022的重要成果，引领了视频抄袭检测领域的新风尚。本文将深入探讨这一项...

视频片段定位：VCSL数据集与基准测试

gitblog_00063的博客

06-13

417

视频片段定位：VCSL数据集与基准测试 VCSL 项目地址: https://gitcode.com/gh_mirrors/vc/VCSL 项目介绍 VCSL（Video Copy Segment Loca...

视频内容相似度&视频数字版权综述

茅场晶彦

05-31

1597

视频内容相似度算法随着视频内容越来越多，通过深度模型理解视频，提取视频内容特征，建立视频搜索引擎，已经成为主流。视频内容相似度检索以及视频内容理解能力越发重要。再业务推进过程以及技术积累过程中，对调研尝试过的数据和方法，做简要的整理和剖析。当前北大满哥视频侵权，说明平台在视频内容审核这一块，严格意义上讲，就平台再视频版权这一块，或多或少的都需要人工运维去做支撑（依据没有运用OCR以及语义等初级的文案审核能力对头部流量视频做内容风控）。显然目前互联网企业的初衷，还在我们的"菜篮子"里，未将精力投入的科技的星

Domain Generalization数据集整理

lockonlxf的博客

03-23

5437

目录一、引言二、Datasets1、PACS2、 Office-Home3、 VLCS 一、引言自从DomainBed在ICLR2021上横空出世之后，Domain Generalization任务看起来好像有了相对统一的标准，后续大量论文都是基于DomainBed框架实现。由于DG的benchmarks非常多，本文将列举主要的几个数据集的下载方式，以及注意事项。二、Datasets 1、PACS Home Link Ps: 打开上述链接后直接点击图片可进入google云盘下载 @inproceedi

论文阅读【CVPR-2022】 A Large-scale Comprehensive Dataset and Copy-overlap Aware Evaluation Protocol for

weixin_42155685的博客

04-02

598

论文阅读【CVPR-2022】 A Large-scale Comprehensive Dataset and Copy-overlap Aware Evaluation Protocol for Segment-level Video Copy Detection studyai.com 搜索论文: A Large-scale Comprehensive Dataset and Copy-overlap Aware Evaluation Protocol for Segment-level Video

CVPR 2022数据集汇总｜包含目标检测、多模态等方向

qq_29462849的博客

04-19

1892

编辑丨极市平台M5Product Dataset论文地址：https://arxiv.org/abs/2109.04275数据集地址：https://xiaodongsuper.github.io/M5Product_dataset/index.htmlM5Product 数据集是一个大规模的多模态预训练数据集，具有针对电子产品的粗粒度和细粒度注释。600 万个多模态样本...

“Self-Challenging Improves Cross-Domain Generalization”阅读笔记

weixin_44846680的博客

01-11

1519

“Self-Challenging Improves Cross-Domain Generalization”阅读笔记 1 Motivation 1）分类模型在域内取得了很好的判别效果，但跨域表现受限； 2）卷积神经网络过度依赖对反向传播有重要影响的少数特征，导致其对于图像特征学习不够全面。 2 Contribution 1）提出自挑战算法，强迫模型从弱势特征中归纳图像属性； 2）提升了卷积神经网络模型的泛化能力。 3 Approach 3.1 表征自挑战(RSC)原理所谓自挑战，就是强迫模型从对

LLMs:《OPT: Open Pre-trained Transformer Language Models》翻译与解读

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀

07-31

5966

LLMs:《OPT: Open Pre-trained Transformer Language Models》翻译与解读目录《OPT: Open Pre-trained Transformer Language Models》翻译与解读 Abstract 1、Introduction 2 、Method方法 3、Evaluations评估 4 Bias & Toxicity Evaluations偏见和有害性评估 5 Limitatio

Pycharm（十九）深度学习

最新发布

higerwy的博客

05-06

713

深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。

在深度学习中，什么是线性插值（linear interpolation）？

weixin_44649780的博客

04-30

514

线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。

远程深度学习新环境配置流程

weixin_45668967的博客

04-30

340

下载并安装适合你系统的 Miniconda 版本。

卷积神经网络实战（2）

weixin_55843921的博客

05-04

332

一开始conv1，第一层卷积层，去运算的时候，以前全连接的时候直接展平，现在是三维的，通道数是1（黑白照片），卷积的时候卷积核也是（1,3,3），但现在卷积核的尺寸实际上是立方体，虽然写的是2d，这是接口的这么一个设计，之所以是2d是因为在两个维度上进行移动（上下左右），不像以前的全连接是一维的必须展平。nn.MaxPool2d(2,2)，前面一个2代表池化核大小是2*2，后面的2代表步长。池化一次把图像尺寸减半。对于第二层卷积层，卷积核是(32,3,3)，这层的输入和输出的大小一样，作用是提取高层特征。

《解锁LibTorch：开启C++深度学习新征程》

zheng_ruiguo的专栏

04-30

712

LibTorch 作为 PyTorch 的 C++ 接口，凭借其独特的优势在深度学习领域占据了重要的一席之地。它不仅继承了 PyTorch 的动态计算图和自动求导机制，还充分发挥了 C++ 语言的高性能和低延迟特性，为深度学习的研究和应用提供了强大的支持。从功能特性上看，LibTorch 在张量操作、神经网络训练与推理、多平台支持以及与 Python 的互操作性等方面表现出色。其张量操作接口简洁高效，与 PyTorch 类似，方便开发者快速上手。

深度学习系统学习系列【3】之血液检测项目

缘友一世的博客

05-05

814

通过构建一个3 层的人工神经网络ANN模型对收集到的数据进行训练，得到该医疗数据的分类模型，最后利用新的医疗数据，预测其所属病理分类。