本文提出了一种针对视频进行自动化重点帧或子镜头选择的新型监督学习技术，其将问题视为顺序数据上的结构化预测问题，主要想法是利用LSTM（长短时记忆），该专用网络类型可模拟视频摘要任务中包含的可变范围依赖性，详细分析证明了模型设计的合理性，通过引入领域适应技术，我们还介绍了应对训练复杂学习模型所需大量注释数据需求的技术。

May, 2016

该论文提出了一种基于深度视频特征和聚类的视频摘要技术，旨在更高效地生成互联网视频的概览，该技术通过设计一种映射视频和描述的深度神经网络来将视频元素转化为语义空间。

Sep, 2016

本文提出了一种基于用户偏好查询的视频摘要模型，并利用基于概念注释的评估方法来解决视频摘要的性能评价问题。

Jul, 2017

本研究提出了一种名为AVS的新颖的基于注意力机制的编码器-解码器网络框架，该网络框架使用双向LSTM和注意力机制对原始视频帧进行编码和关键帧序列进行解码，实现对有监督视频摘要的问题的解决。经测试发现，该方法在SumMe和TVSum数据集上的表现明显优于现有方法，在两个数据集上分别从0.8％到3％都有了显著的提高。

Aug, 2017

这篇论文探讨了视频摘要的问题，并将其作为一个序列标注问题。优化地选择输入视频的一部分帧以创建一个摘要视频，以最优地捕捉输入视频的重要信息，这提供了一个有用的工具来协助视频检索、浏览等。作者提出使用全卷积序列模型解决视频摘要问题，并通过对普通语义分割网络的改进使之适用于摘要视频的任务。实验结果表明提出的模型具有有效性。

May, 2018

本文提出了一种解决自动从输入视频中提取关键镜头的无监督视频摘要问题的方法，并针对我们的经验观察处理了两个关键问题：由于每帧的输出重要性得分是平坦分布的而导致的无效特征学习和处理长视频输入时的训练困难问题。为了缓解第一个问题，我们提出了一个称为方差损失的简单而有效的正则化损失项。对于第二个问题，我们设计了一种新颖的两流网络，名为“块和步距网络（CSNet）”，它利用了视频特征上的本地（块）和全局（步距）时间视图，针对长视频的摘要结果比现有方法更好。此外，我们还引入了一种注意机制来处理视频中的动态信息。通过进行全面的消融研究，我们证明了所提出方法的有效性，并展示了我们的最终模型在两个基准数据集上实现了新的最优结果。

Nov, 2018

本篇论文提出了一种名为H-RNN的分层循环神经网络用于视频摘要，其可以更好地利用帧之间的长时间依赖性，并且在Combined和VTW两个数据集上表现优于现有技术。

Apr, 2019

该论文将视频摘要提出了内容为基础的推荐问题，使用可扩展的深度神经网络在显式建模的片段和视频上进行预测，通过场景和动作识别来寻找视频理解任务不同方面之间的相关性，同时讨论音频和视觉特征在总结任务中的影响，并通过数据增强和多任务学习来防止模型过度拟合。该模型最终在ICCV 2019 CoView Workshop Challenge Track中获得第一名。

Oct, 2019

提出了一种基于Reconstructive Sequence-Graph Network的视频摘要算法，该算法通过在长短时记忆和图卷积网络中编码帧和镜头之间的依赖关系并利用重构损失函数，可以用于无监督学习，其通过在SumMe，TVsum和VTW等数据集上的实验证明了其在摘要任务中的优异性能。

May, 2021

介绍一种新的数据集，用于360度视频总结：将360度视频内容转换成简洁的2D视频总结，可通过传统设备（如电视和智能手机）观看；数据集包括人工生成的地面真实总结，可用于训练和客观评估360度视频总结方法；使用该数据集，对两种最先进的总结方法进行训练和评估，作为将来与专门针对360度视频技术相比较的基准；最后，提供了一个交互工具，用于促进数据标注过程并辅助其他依赖于视频片段选择的标注活动。

Jun, 2024