Sep, 2023

以比特流封面判断视频

PDF
TL;DR视频分类中，通过研究视频的压缩比特流来代替传统方法中涉及视频解压缩的特征提取，以提高分类性能和处理速度。通过验证自定义数据集，结果表明该方法在精度、准确率和召回率方面都超过 80%，而且处理速度是真实时间的 15000 倍，比传统的动态时间规整算法效果好六个数量级。
video classificationpost-compression bitstreammultimedia understandingperformance degradationdynamic time warping algorithm
发现论文，激发创造
  • 利用压缩帧大小实现超快速视频分类

    通过检查视频的后压缩比特流进行分类，我们提出了一种新颖的方法，消除了对比特流解码的需求，并在性能上超越了传统的动态时间规整算法。

    Mar, 2024

  • 基于压缩算法的数字视频篡改检测技术

    提出了一种通过分析 H.264 编码使用的压缩算法的取证技术，利用宏块和运动矢量的信息来准确检测视频是否被重新压缩。

    Feb, 2024

  • 利用视频编码知识进行深度视频增强

    本文提出了一种新的框架，利用视频压缩的低延迟配置和上下文自适应视频融合方法，提高 BasicVSR ++ 方法的质量，已在 NTIRE22 挑战中得到验证，并在定量指标和视觉质量方面与之前的方法相比均有所提高。

    Feb, 2023

  • 可扩展的视频编码，为人类和机器而设计

    本文提出了一种可扩展的视频编码框架，该框架通过基础层比特流支持机器视觉（特别是物体检测）和增强层比特流支持人类视觉，并且结果表明，该框架在物体检测方面比最先进的视频编解码器节省 13-19％的比特率，同时在人类视觉任务的 MS-SSIM 方面保持有竞争力。

    Aug, 2022

  • 利用预先存在的失真预测压缩视频的质量

    本研究旨在通过开发一种新的视频质量评估框架 1stepVQA，通过利用自然视频和混合失真视频的统计规律，更准确地预测压缩后视频的质量，并采用一种新的视频数据库，其中包括 (通常是失真的) UGC 视频参考和大量压缩版本的视频。

    Apr, 2020

  • 10 位视频：为高效和隐私而设计的少位视频问答系统

    本文介绍了如何使用轻量级的特征压缩模块（FeatComp）来实现 Few-Bit VideoQA 任务，该模块通过学习提取 10 位的任务特定特征，在保证精度的同时比 MPEG4 编码的视频节省了 10 万倍的存储空间，并降低了数据隐私风险。

    Oct, 2022

  • 压缩视频动作识别

    通过对压缩视频进行深度网络培训，利用视频压缩技术，获得了更高密度的信息、4.6 倍于 Res3D 和 2.7 倍于 ResNet-152 的速度以及在 UCF-101、HMDB-51 和 Charades 数据集上均优于其他方法的性能。

    Dec, 2017

  • 学习型视频压缩

    我们提出了一种 ML-based 的视频编码算法，通过评估不同分辨率和基于商业编解码器的标准视频压缩测试集发现，在低延迟模式下相对于 HEVC/H.265, AVC/H.264 和 VP9，我们的算法通常产生更小的代码。并且，我们的方法不会出现图块失真和像素化，可以产生更加视觉上令人愉悦的视频。

    Nov, 2018

  • 评估两流 CNN 用于视频分类

    该论文以深度学习为基础，通过研究网络架构、模型融合、学习参数和最终预测方法等等选项对视频分类进行了深入研究，并在两个流行的视频分类基准测试中获得了竞争力极强的结果。

    Apr, 2015

  • 面部视频压缩的感知质量评估：基准和有效方法

    本文介绍了大规模压缩人脸视频质量评估数据库的构建和性能评估，该数据库被认为是系统地理解人脸视频中感知质量和多样化压缩畸变的第一次尝试，同时还开发了 FAVOR 指数来度量人脸视频的感知质量。

    Apr, 2023