Text is a high-level semantic featu

Text is a high-level semantic feature which has often
been used for content-based information retrieval. In lecture
videos, texts from lecture slides serve as an outline for the
lecture and are very important for understanding. Therefore
after segmenting a video file into a set of key frames (all
the unique slides with complete contents), the text detection
procedure will be executed on each key frame, and the
extracted text objects will be further used in text recognition
and slide structure analysis processes. Especially, the
extracted structural metadata can enable more flexible video
browsing and video search functions.
Speech is one of the most important carriers of information
in video lectures. Therefore, it is of distinct advantage
that this information can be applied for automatic lecture
video indexing. Unfortunately, most of the existing lecture
speech recognition systems in the reviewed work cannot
achieve a sufficient recognition result, the Word Error Rates
(WERs) having been reported from [1], [2], [3], [4], [5] and
[6] are approximately 40–85 percent. The poor recognition

ผลลัพธ์ (ไทย) 1:

ข้อความจะมีความหมายระดับสูงซึ่งมักจะมีการใช้สำหรับการเรียกข้อมูลเนื้อหาตาม ในการบรรยายวิดีโอ ข้อความจากการบรรยายภาพนิ่งเป็นเค้าร่างสำหรับการบรรยายและมีความสำคัญมากสำหรับความเข้าใจ ดังนั้นหลังจากแบ่งกลุ่มแฟ้มวิดีโอลงในชุดของเฟรมหลัก (ทั้งหมดเฉพาะภาพนิ่ง ด้วยเนื้อหาสมบูรณ์), การตรวจสอบข้อความขั้นตอนจะดำเนินการในแต่ละคีย์เฟรม และวัตถุข้อความสกัดจะใช้เพิ่มเติมในการรู้จำข้อความและเลื่อนกระบวนการวิเคราะห์โครงสร้าง โดยเฉพาะอย่างยิ่งแยกโครงสร้าง metadata สามารถเปิดใช้งานวิดีโอที่ยืดหยุ่นมากขึ้นฟังก์ชันค้นหาเรียกดู และวิดีโอเสียงเป็นหนึ่งในพาหะที่สำคัญที่สุดของข้อมูลในการบรรยายวิดีโอ จึง มันเป็นการเปรียบข้อมูลนี้สามารถใช้สำหรับบรรยายอัตโนมัติวิดีโอการจัดทำดัชนี แต่ ส่วนใหญ่บรรยายที่มีอยู่ระบบจดจำเสียงในการทำงานที่ทานไม่บรรลุผลการรู้จำพอ อัตราข้อผิดพลาดใน Word(WERs) มีการรายงานจาก [1], [2], [3], [4], [5][6] ได้ประมาณ 40 – 85 เปอร์เซ็นต์ การรับรู้ที่ดี

ผลลัพธ์ (ไทย) 2:

ข้อความเป็นระดับสูงคุณลักษณะความหมายที่ได้มักจะ
ถูกนำมาใช้สำหรับเนื้อหาที่ใช้การดึงข้อมูล ในการบรรยาย
วิดีโอข้อความจากภาพนิ่งบรรยายทำหน้าที่เป็นโครงร่างสำหรับที่
บรรยายและมีความสำคัญมากสำหรับการทำความเข้าใจ ดังนั้น
หลังจากการแบ่งกลุ่มไฟล์วิดีโอเป็นชุดของคีย์เฟรม (ทั้งหมด
ภาพนิ่งที่ไม่ซ้ำกันที่มีเนื้อหาสมบูรณ์), การตรวจสอบข้อความที่
ขั้นตอนที่จะดำเนินการในแต่ละเฟรมที่สำคัญและ
วัตถุข้อความที่สกัดได้จะนำไปใช้ต่อไปในการรับรู้ข้อความ
และการวิเคราะห์โครงสร้างสไลด์ กระบวนการ โดยเฉพาะอย่างยิ่งการ
สกัดเมตาดาต้าโครงสร้างสามารถเปิดใช้งานวิดีโอความยืดหยุ่นมากขึ้น
การเรียกดูและฟังก์ชั่นการค้นหาวิดีโอ.
คำพูดที่เป็นหนึ่งในผู้ให้บริการที่สำคัญที่สุดของข้อมูล
ในการบรรยายวิดีโอ ดังนั้นจึงเป็นเรื่องของประโยชน์ที่แตกต่าง
ว่าข้อมูลนี้สามารถนำมาใช้สำหรับการบรรยายอัตโนมัติ
การจัดทำดัชนีวิดีโอ แต่ส่วนใหญ่ของที่มีอยู่การบรรยาย
ระบบรู้จำเสียงพูดในการทำงานการตรวจสอบไม่สามารถ
บรรลุผลการรับรู้เพียงพอวจนะอัตราความผิดพลาด
(WERS) ได้รับรายงานจาก [1], [2], [3] [4] [5 ] และ
[6] มีประมาณร้อยละ 40-85 การรับรู้ที่น่าสงสาร

ผลลัพธ์ (ไทย) 3:

ข้อความที่เป็นคุณลักษณะที่มักจะมีพื้นฐานความหมายใช้สําหรับการสืบค้นข้อมูล ในการบรรยายวิดีโอจาก สไลด์ประกอบการบรรยายข้อความเป็นเค้าร่างสำหรับการบรรยายและมีความสำคัญมากสำหรับความเข้าใจ ดังนั้นหลังจากการแบ่งไฟล์วิดีโอลงในชุดของคีย์เฟรม ( ทั้งหมดภาพนิ่งที่เป็นเอกลักษณ์ ด้วยเนื้อหาที่สมบูรณ์ ) , การตรวจหาข้อความขั้นตอนจะดำเนินการในแต่ละคีย์เฟรม และวัตถุข้อความที่สกัดจะถูกเพิ่มเติมที่ใช้ในการรับรู้ข้อความและเลื่อนกระบวนการการวิเคราะห์โครงสร้าง โดยเฉพาะอย่างยิ่งสกัด metadata โครงสร้างสามารถใช้งานวิดีโอความยืดหยุ่นมากขึ้นการเรียกฟังก์ชันการค้นหาวิดีโอการพูดเป็นหนึ่งในผู้ให้บริการของข้อมูลที่สำคัญในวิดีโอสอน ดังนั้น จึงเป็นประโยชน์ที่แตกต่างข้อมูลนี้สามารถใช้เพื่อบรรยายอัตโนมัติดัชนีวิดีโอ แต่น่าเสียดายที่ส่วนใหญ่ของการบรรยายที่มีอยู่ระบบการรู้จำเสียงพูดในการตรวจทานไม่สามารถทำงานได้บรรลุการรับรู้ที่เพียงพอ ส่งผลให้อัตราความคลาดเคลื่อนคำ( wers ) ได้รับรายงานจาก [ 1 ] , [ 2 ] , [ 3 ] , [ 4 ] , [ 5 ] และ[ 6 ] ประมาณ 40 – 85 เปอร์เซ็นต์ รู้ไม่ดี