Autores:  (1) Praveen Tirupattur, Universidad de Florida Central.  Tabla de enlaces   Abstracto   Agradecimientos   Capítulo 1 Introducción   Capítulo 2: Trabajo relacionado   Capítulo 3: Enfoque propuesto   Capítulo 4: Experimentos y resultados   Capítulo 5: Conclusiones y trabajo futuro   Bibliografía  Abstracto  En los últimos años, ha habido un enorme aumento en la cantidad de contenido de vídeo subido a redes sociales y sitios web para compartir vídeos como Facebook y Youtube. Como resultado de esto, también aumentó el riesgo de que los niños queden expuestos a contenido para adultos y violento en la web. Para abordar este problema, en este trabajo se propone un enfoque para detectar automáticamente contenido violento en videos. Aquí se hace también un novedoso intento de detectar la categoría de violencia presente en un vídeo. Un sistema que pueda detectar automáticamente la violencia tanto en películas de Hollywood como en vídeos de la web es extremadamente útil no sólo en el control parental sino también para aplicaciones relacionadas con clasificaciones de películas, videovigilancia, clasificación de géneros, etc.  Aquí, se utilizan funciones tanto de audio como visuales para detectar la violencia. Las funciones de MFCC se utilizan como señales de audio. Las funciones Blood, Motion y SentiBank se utilizan como señales visuales. Los clasificadores binarios SVM están capacitados en cada una de estas características para detectar violencia. Se realiza una fusión tardía utilizando una suma ponderada de puntuaciones de clasificación para obtener puntuaciones de clasificación finales para cada una de las clases de violencia objetivo del sistema. Para determinar las ponderaciones óptimas para cada una de las clases de violencia, se emplea un enfoque basado en la búsqueda en cuadrícula. Los conjuntos de datos disponibles públicamente, principalmente la Detección de escenas violentas (VSD), se utilizan para el entrenamiento de clasificadores, el cálculo de peso y las pruebas. El rendimiento del sistema se evalúa en dos tareas de clasificación, clasificación multiclase y clasificación binaria. Los resultados obtenidos para la Clasificación Binaria son mejores que los resultados de referencia de MediaEval-2014.  Este documento está   bajo licencia CC 4.0. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Kinetopgraph.TECH

Read My Stories

kinetograph

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

Detección de violencia en videos: resumen

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps