Jul, 2017

基于循环神经网络的在线视频流行度预测

PDF
TL;DR本文研究在线视频传播中的受欢迎程度预测问题，证明可以使用深度神经网络结构，将其作为分类任务来解决。我们提出了一种基于长期循环卷积网络 (LRCN) 的新方法来提取视频中的视觉线索，并将信息的时序性纳入模型。在 Facebook 上发布的超过 37,000 个视频数据集上表明，我们的方法的预测性能比传统浅层方法提高了 30％以上，并为内容创建者提供了有价值的见解。
发现论文，激发创造
  • 利用深度神经网络进行大规模 YouTube-8M 视频理解

    本文基于 YouTube-8M 大规模数据集，提出了三种视频分类模型，分别基于帧池化和 LSTM 网络，第三个模型使用 Experts 混合中间层以增加模型容量，并进行了一系列处理不平衡训练数据的实验。

    Jun, 2017

  • 使用支持向量回归预测在线视频的流行度

    本文提出了一种基于时间和视觉线索的回归方法来预测在线视频的流行度，该方法使用支持向量回归与高斯径向基函数，证明了该方法相比于现有的算法在预测结果上更优且更稳定。同时，将社交和视觉元数据添加后可以进一步提升预测结果。

    Oct, 2015

  • 深度时间上下文网络顺序预测社交媒体流行度

    研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

    Dec, 2017

  • 浅阅读与深度学习：仅使用标题预测在线内容的受欢迎程度

    本文提出了一种基于双向 LSTM 神经网络的新方法来预测在线内容的受欢迎程度，通过新闻标题文本信息可以提高传统浅层方法的预测精度，并且在预处理的词向量上使用 LSTM 模型可以提高预测结果。

    Jul, 2017

  • 超越短片段：用于视频分类的深度网络

    本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

    Mar, 2015

  • 长期循环卷积网络用于视觉识别和描述

    研究比较深度卷积网络和带有循环结构的深度卷积神经网络的效果，针对视频识别、图像描述、检索以及视频叙事方面的问题，开发出一种新颖的循环卷积架构，该架构可以训练端到端，可以同时学习时间动态和卷积感知表示，并具有学习长期依赖性的能力。实验结果证明，循环卷积模型在识别或生成方面与现有的模型相比具有明显的优势。

    Nov, 2014

  • 一种基于潜在社交的 YouTube 流行度预测方法

    本文探讨了预测 YouTube 视频在校园网络中的流行度的方法，提出了一种融合视频到达时间和社交扩散模型的缓存方法，通过学习网络中用户之间分享的概率和使用数学流行病学的病毒传播模型来预测未来视频访问次数，并取得了 14% 的命中率提高。

    Aug, 2013

  • 基于深度循环卷积网络的视频行人再识别：一种端到端的方法

    本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

    Jun, 2016

  • 基于帧和视频级特征以及视觉内容分类的循环网络视频字幕生成

    本文介绍了使用循环神经网络（RNN）生成短视频文本描述的系统，利用静态图像特征和视频专属特征的 RNN，我们研究了视觉内容分类器作为额外信息源的实用性，并通过实验结果证明了密集轨迹视频特征和内容分类器输出的利用，可以比单独利用它们表现更好。

    Dec, 2015

  • 基于耦合图神经网络的社交平台流行度预测

    在这篇论文中，我们提出了一种名为 CoupledGNN 的新方法，该方法使用两个耦合的图神经网络来捕捉节点激活状态和影响传播之间的相互作用，从而精确地预测社交平台上的信息传播。我们在 Sina Weibo 数据集上进行的实验证明，与各种现有方法相比，我们的方法显著提高了流行度预测的准确性。

    Jun, 2019