提出了一种基于卷积神经网络的拍摄边界检测方法，实现了从像素到最终拍摄边界的端到端学习，该方法在处理视频时速度超过 120 倍实时，并取得了最先进的结果。

May, 2017

本研究介绍了一种基于卷积神经网络的 Shot boundary detection 技术，提出了一个新的数据集并进行了目前最大规模的评估，结果表明该技术在检测尖锐转换和渐进转换方面具有竞争力，在减轻复杂运算方面也优于现有技术。

May, 2017

本文提出了一种简单的模块化卷积神经网络架构，采用膨胀卷积，仅在小的缩放帧上运行，并使用 TRECVID IACC.3 数据集的选定段随机生成的转换来进行训练，实现了在单个中等 GPU 上具有高于实时推断速度的 RAI 数据集上的最新结果。

Jun, 2019

本文提出一个自监督的 ShotCoL 方法，其利用类比学习学习镜头表示，用于发现场景边界和广告插入时间。(This paper proposes a self-supervised ShotCoL method that utilizes contrastive learning to obtain shot representation for detecting scene boundaries and ad insertion timestamps.)

Apr, 2021

本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

Apr, 2020

最近的视觉语言模型的进展在很大程度上推动了视频理解。然而，现有的数据集和任务存在显著的局限性。我们提出了一个包含 1,078 个公开可用的业余电影的短片数据集（SFD），它包括广泛的类型和最小的数据泄漏问题。通过多项选择和开放式问题回答的方式，SFD 提供了以长期故事为导向的视频任务。我们的实验证明了长期推理在解决 SFD 任务中的重要性。值得注意的是，我们发现电影剧本中存在强烈的信号，这导致人和视觉语言模型（LLM）的性能相当。我们还展示了当前模型在仅使用视觉数据时的性能明显较低于人类。

Jun, 2024

通过一个多镜头视频理解基准（Shot2Story20K）的详细镜头级标题和全面视频摘要，提供了一种更好的视频语义理解方法，包括可视化信号和人类叙述的标题，摘要，检索以及摘要生成，这将显著提升现有视频理解任务的性能，并促进了视频理解中对详细摘要的未开发研究领域。

Dec, 2023

本文提出了一种新的视频镜头边界检测方法，该方法基于分裂和合并的概念，采用 Fisher 线性判别准则来指导分裂和合并过程，同时还采用 2D2 FLD 方法和谱聚类来降低复杂度，实验证明该方法在板球视频中得到的镜头高度内聚且松散耦合。

Aug, 2016

本文提出一种通过学习镜头间距离度量来自动将广播视频划分为连贯场景的模型，并通过比较算法与最近提出的自动场景分割方法来展示其有效性。同时提出了一个改进的性能评估方法，旨在减少数值评估和预期结果之间的差距，并提出和发布一个新的基准数据集。

Oct, 2015

利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

Jul, 2020