Thanh bên bài viết

Số lượt xem tóm tắt: 3
DOI: 10.70117/hdujs.79.09.2025.828
Số xuất bản
Số 79-09.2025: Khoa học Tự nhiên, Kỹ thuật và Công nghệ
Chuyên mục
Khoa học Tự nhiên, Kỹ thuật và Công nghệ
Trích dẫn bài báo
Lê, V. H., Lê, Đình N., & Nguyễn, V. C. TRÍCH CHỌN ĐẶC TRƯNG TỪ CÁC MẠNG NƠ-RON TÍCH CHẬP CHO BÀI TOÁN PHÁT HIỆN SAO CHÉP MỘT PHẦN VIDEO. Tạp chí Khoa học Trường Đại học Hồng Đức, 79(09). https://doi.org/10.70117/hdujs.79.09.2025.828

TRÍCH CHỌN ĐẶC TRƯNG TỪ CÁC MẠNG NƠ-RON TÍCH CHẬP CHO BÀI TOÁN PHÁT HIỆN SAO CHÉP MỘT PHẦN VIDEO

Lê Văn Hào , Lê Đình Nghiệp1, Nguyễn Văn Cường1
1 Trường Đại học Hồng Đức

Nội dung chính của bài viết

Tóm tắt

Các mạng 2D rơ-ron tích chập là những thành phần chính trong hệ thống phát hiện sao chép một phần video. Chúng đóng vai trò quan trọng trong nhiệm vụ truy hồi và đối sánh video trên một cơ sở dữ liệu lớn. Tuy nhiên, đặc tính hiệu năng của các phương pháp trích chọn đặc trưng này ít được nghiên cứu. Bài báo này sẽ đóng góp hai phần chính. Thứ nhất, chúng tôi cung cấp một thí nghiệm trên bộ dữ liệu quy mô lớn để chứng minh tính phổ quát và làm rõ đặc trưng hiệu năng của các mạng nơ-ron phổ biến. Kế đến, chúng tôi đề xuất một phương pháp theo mô hình chuỗi thời gian để chỉ ra ưu và nhược điểm của các đặc trưng ảnh trích xuất từ các mạng nơ-ron trong bài toán phát hiện sao chép một phần video. 

 

Từ khóa

mạng nơ-ron tích chập, trích chọn đặc trưng, sao chép một phần video

Chi tiết bài viết

Tài liệu tham khảo

[1] Jiang, Y., Wang, J. (2016), Partial copy detection in videos: A benchmark and an evaluation of popular methods. IEEE Transactions on Big Data 2(1), pp. 32-42.
[2] Zhang, X., Gao, J. (2020), Measuring feature importance of convolutional neural networks. IEEE Access 8, 196062-196074.
[3] Le, V.H., Delalandre, M., Cardot, H. (2023), Performance Characterization of 2D CNN Features for Partial Video Copy Detection, Conference on Computer Analysis of Images and Patterns (CAIP), pp. 205-215.
[4] Kordopatis-Zilos, G., Papadopoulos, S., Patras, I., Kompatsiaris, I. (2019), Fivr: Finegrained incident video retrieval, IEEE Transactions on Multimedia 21(10), 2638 – 2652.
[5] Kordopatis-Zilos, G., Papadopoulos, S., Patras, I., Kompatsiaris, Y. (2017), Nearduplicate video retrieval with deep metric learning. In: ICCV. pp. 347-356.
[6] Roy, P., Ghosh, S., Bhattacharya, S., Pal, U. (2023), Effects of degradations on deep neural network architectures, In: Open-access repository (arXiv). No. 1807.10108v5.
[7] Tolias, G., Sicre, R., J´egou, H. (2016), Particular object retrieval with integral maxpooling of cnn activations. In: ICLR. pp. 1-12.
[8] Cheng, H., Wang, P., Qi, C. (2021), Cnn features based unsupervised metric learning for near-duplicate video retrieval. In: Open-access repository (arXiv). No. 2105.14566v1.
[9] Zhang, C., Hu, B., Suo, Y., Zou, Z., Ji, Y. (2020), Large-scale video retrieval via deep local convolutional features. Advances in Multimedia 2020, 1687-5680.
[10] Gkelios, S., Sophokleous, A., Plakias, S., Boutalis, Y., Chatzichristofis, S. (2021), Deep convolutional features for image retrieval. Expert Systems With Applications 177(114940).
[11] He, S., Yang, X., Jiang, C., Liang, G., Zhang, W., Pan, T., Wang, Q., Xu, F., Li, C., Liu, J., et al. (2022), A large-scale comprehensive dataset and copy-overlap aware evaluation protocol for segment-level video copy detection. In: CVPR. pp. 21086-21095.
[12] Le, V.H., Delalandre, M., Conte, D. (2022), A large-scale tv dataset for partial video copy detection. In: ICIAP. vol. 13233, pp. 388-399.
[13] Tan, W., Guo, H., Liu, R. (2022), A fast partial video copy detection using knn and global feature database, In: WACV. pp. 2191-2199.
[14] Jiang, Q., He, Y., Li, G., Lin, J., Li, L., Li, W. (2019), Svd: A large-scale short video dataset for near-duplicate video retrieval. In: ICCV. pp. 5281-5289.
[15] Cools, A., Belarbi, M., Mahmoudi, S. (2022), A comparative study of reduction methods applied on a convolutional neural network. Electronics 11, 1422.
[16] Han, Z., He, X., Tang, M., LV, Y. (2021), Video similarity and alignment learning on partial video copy detection, In: MM. pp. 4165-4173.
[17] He, S., He, Y., Lu, M., Jiang, C., Yang, X., Qian, F., Zhang, X., Yang, L., Zhang, J. (2023), Transvcl: Attention-enhanced video copy localization network with flexible supervision. In: AAAI.
[18] Wang, K., Cheng, C., Chen, Y., Song, Y., Lai, S. (2021), Attention-based deep metric learning for near-duplicate video retrieval. In: ICPR. pp. 5360-5367.
[19] Wang, L., Bao, Y., Li, H., Fan, X., Luo, Z. (2017), Compact cnn based video representation for efficient video copy detection. In: MMM. pp. 576-587.
[20] Zhao, G., Zhang, B., Zhang, M., Li, Y., Liu, J., Wen, J. (2022), Star-gnn: spatial-temporal video representation for content-based retrieval, In: ICME. pp. 01-06.
[21] Zhang, X., Xie, Y., Luan, X., He, J., Zhang, L., Wu, L. (2018), Video copy detection based on deep cnn features and graph-based sequence matching, Wireless Personal Communications 103(1), 401-416.
[22] Jiang, C., Huang, K., He, S., Yang, X., Zhang, W., Zhang, X., Cheng, Y., Yang, L., Wang, Q., Xu, F. (2021), Learning segment similarity and alignment in large-scale content-based video retrieval. In: MM. pp. 1618-1626.
[23] He, K., Zhang, X., Ren, S., Sun, J. (2016), Deep residual learning for image recognition. In: CVPR. pp. 770-778