{Sing Bing Kang Feng Zhou Michael F. Cohen}
الملخص
نُقدّم نهجًا جديدًا لإنشاء مقاطع فيديو بسرعة منتظمة ومعدل إطارات منخفض (LFR) من مدخلات بسرعة عالية للإطارات (HFR) مع الحفاظ على اللحظات المهمة في الفيديو الأصلي. نُسمّي هذه الطريقة "تحويل الزمن"، وهي تطبيق مبني على الزمن يشبه تقنية "تحويل التدرج الديناميكي العالي إلى التدرج الديناميكي المنخفض" في المجال الفراغي. تتمثل مساهماتنا في: (1) طريقة موثوقة لتحديد الاهتمام البصري في الفضاء والزمن لتقييم الأهمية البصرية، (2) تقنية إعادة زمنية تقوم على إعادة أخذ العينات الزمنية بناءً على أهمية الإطار، و(3) مرشحات زمنية لتعزيز عرض الحركة المميزة. أظهرت نتائج طريقة الاهتمام الفضائي-الزمني لدينا على مجموعة بيانات معيارية أنها من أفضل الحلول الحالية. بالإضافة إلى ذلك، تم توضيح فوائد نهجنا في تحويل الفيديو من HFR إلى LFR مقارنة بالطرق المباشرة من خلال دراسة تجريبية مع المستخدمين.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| video-salient-object-detection-on-davis-2016 | TIMP | AVERAGE MAE: 0.185 MAX E-MEASURE: 0.680 S-Measure: 0.574 |
| video-salient-object-detection-on-davsod | TIMP | Average MAE: 0.206 S-Measure: 0.534 max E-Measure: 0.582 |
| video-salient-object-detection-on-davsod-1 | TIMP | Average MAE: 0.245 S-Measure: 0.503 max E-measure: 0.616 |
| video-salient-object-detection-on-davsod-2 | TIMP | Average MAE: 0.190 S-Measure: 0.530 max E-measure: 0.665 |
| video-salient-object-detection-on-fbms-59 | TIMP | AVERAGE MAE: 0.192 MAX F-MEASURE: 0.465 S-Measure: 0.576 |
| video-salient-object-detection-on-uvsd | TIMP | Average MAE: 0.171 S-Measure: 0.541 max E-measure: 0.662 |
| video-salient-object-detection-on-visal | TIMP | Average MAE: 0.170 S-Measure: 0.612 max E-measure: 0.743 |
| video-salient-object-detection-on-vos-t | TIMP | Average MAE: 0.192 S-Measure: 0.546 max E-measure: 0.640 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.