In order to perform multimedia even

In order to perform multimedia event detection (MED) tasks in uncontrolled videos, a very large number of labeled videos are required for training the event classifier, which would become quite challenging especially when there are lots of events. Because an event involves usually several spatial temporal objects, one intuitive solution is to model those objects from a large number of labeled images which can be obtained very easily from standard image datasets, such as the ImageNet challenge dataset, and to model their spatial temporal relationships from a relatively small number of labeled videos which can be also obtained very easily from standard video datasets, such as the TRECVID MED 2012 dataset. In this paper, we propose accordingly a latent group logistic regression (latent GLR) mixture model for those objects and an event bank descriptor for their spatial temporal relationships. Furthermore, we develop an efficient iterative training algorithm to learn model parameters of the individual latent GLR mixture model, which combines the coordinate descent approach and the gradient descent approach to minimize the image-norm or group regularized logistic loss function. We also conduct extensive experiments to evaluate the object detection performance by using the latent GLR mixture model on the ImageNet challenge dataset and the event detection performance by using the event bank descriptor on the TRECVID MED 2012 dataset. The results demonstrate the effectiveness of both proposed approaches.

ผลลัพธ์ (ไทย) 1:

เพื่อดำเนินงานตรวจสอบ (MED) เหตุการณ์มัลติมีเดียในวิดีโอไม่สามารถควบคุม จำนวนมากของวิดีโอที่มีป้ายชื่อเป็นการฝึกจำแนกเหตุการณ์ ซึ่งจะกลายเป็นค่อนข้างท้าทายโดยเฉพาะอย่างยิ่งเมื่อมีเหตุการณ์มากมาย เนื่องจากเหตุการณ์ที่เกี่ยวข้องกับมักหลาย spatial temporal วัตถุ ใช้งานง่ายที่ถูกรุ่นวัตถุเหล่านั้นจากภาพป้ายซึ่งสามารถได้อย่างง่ายดายจากรูปมาตรฐาน datasets เช่นชุดข้อมูลท้าทาย ImageNet จำนวนมาก และโมเดลความสัมพันธ์เชิงพื้นที่ขมับจากจำนวนวิดีโอที่มีป้ายชื่อซึ่งยังได้อย่างง่ายดายมากจากชุดข้อมูลวิดีโอมาตรฐาน ค่อนข้างเล็ก เช่น TRECVID MED 2012 ชุดข้อมูล ในกระดาษนี้ เราเสนอตามแบบผสมการถดถอยโลจิสติก (แฝงบันทึก) แฝงกลุ่มวัตถุเหล่านั้นและมีบอกเกี่ยวกับธนาคารเหตุการณ์สำหรับความสัมพันธ์ spatial temporal นอกจากนี้ เราพัฒนาขั้นตอนการฝึกอบรมซ้ำมีประสิทธิภาพเรียนรู้พารามิเตอร์รุ่นรุ่นละแฝงบันทึกผสม ซึ่งรวมวิธีการลงพิกัดและไล่ระดับโคตรวิธีย่อภาพบรรทัดฐาน หรือกลุ่มขาดทุนโลจิสติกส์ regularized ฟังก์ชัน นอกจากนี้เรายังดำเนินการทดลองอย่างละเอียดเพื่อประเมินประสิทธิภาพการตรวจจับวัตถุ โดยใช้ส่วนผสมแบบแฝงของบันทึกใน ImageNet ท้าทายชุดข้อมูลและเหตุการณ์การตรวจสอบประสิทธิภาพการทำงาน โดยใช้ตัวบอกเกี่ยวกับธนาคารเหตุการณ์บนชุดข้อมูล TRECVID MED 2012 ผลลัพธ์แสดงให้เห็นถึงประสิทธิภาพของวิธีการนำเสนอทั้งสอง

ผลลัพธ์ (ไทย) 2:

เพื่อดำเนินการตรวจสอบเหตุการณ์มัลติมีเดีย (MED) งานในวิดีโอไม่สามารถควบคุมได้เป็นจำนวนมากของวิดีโอที่มีข้อความที่จำเป็นสำหรับการฝึกอบรมลักษณนามเหตุการณ์ซึ่งจะกลายเป็นค่อนข้างท้าทายโดยเฉพาะอย่างยิ่งเมื่อมีจำนวนมากของเหตุการณ์ เพราะเหตุการณ์ที่เกี่ยวข้องกับการมักวัตถ​​ุหลายชั่วเชิงพื้นที่หนึ่งในการแก้ปัญหาที่ใช้งานง่ายคือการจำลองวัตถุเหล่านั้นจากจำนวนมากของภาพที่มีข้อความซึ่งสามารถรับได้อย่างง่ายดายมากจากชุดข้อมูลภาพมาตรฐานเช่นชุดข้อมูลที่ท้าทาย ImageNet และรูปแบบความสัมพันธ์ชั่วขณะอวกาศ จากจำนวนที่ค่อนข้างเล็กของวิดีโอที่มีข้อความซึ่งสามารถได้รับนอกจากนี้ยังได้อย่างง่ายดายมากจากชุดข้อมูลวิดีโอมาตรฐานเช่นชุด TRECVID MED 2012 ในบทความนี้เรานำเสนอตามกลุ่มแฝงถดถอยโลจิสติ (แฝงจี) รุ่นส่วนผสมสำหรับวัตถุเหล่านั้นและบ่งธนาคารเหตุการณ์สำหรับความสัมพันธ์ของพวกเขาชั่วเชิงพื้นที่ นอกจากนี้เรามีการพัฒนาอัลกอริทึมการฝึกอบรมซ้ำที่มีประสิทธิภาพในการเรียนรู้รูปแบบของพารามิเตอร์แฝงผสมแบบจีของแต่ละบุคคลซึ่งรวมพิกัดวิธีโคตรและโคตรวิธีการไล่ระดับสีเพื่อลดภาพบรรทัดฐานหรือกลุ่ม regularized ฟังก์ชั่นการสูญเสียโลจิสติก นอกจากนี้เรายังดำเนินการทดลองที่กว้างขวางในการประเมินผลการปฏิบัติงานการตรวจสอบวัตถุโดยใช้รูปแบบที่แฝงส่วนผสมจีในชุดข้อมูลที่ ImageNet ความท้าทายและผลการดำเนินงานการตรวจสอบเหตุการณ์โดยใช้บ่งธนาคารเหตุการณ์ในชุดข้อมูลที่ TRECVID MED 2012 ผลการแสดงให้เห็นถึงประสิทธิภาพของวิธีการทั้งสองที่นำเสนอ

ผลลัพธ์ (ไทย) 3:

เพื่อแสดงเหตุการณ์การมัลติมีเดีย ( Med ) งานในวิดีโอที่ควบคุมจํานวนมากของข้อความวิดีโอจะต้องฝึกงานแบบซึ่งจะกลายเป็นที่ค่อนข้างท้าทายโดยเฉพาะอย่างยิ่งเมื่อมีเหตุการณ์ เพราะเหตุการณ์ที่เกี่ยวข้องกับมักจะหลายพื้นที่ชั่วคราววัตถุหนึ่งง่ายโซลูชั่นรูปแบบวัตถุเหล่านั้นจากตัวเลขขนาดใหญ่ของข้อความและภาพที่สามารถรับได้อย่างง่ายดายจากข้อมูลภาพที่ได้มาตรฐาน เช่น imagenet ท้าทายวันที่และรูปแบบความสัมพันธ์เชิงพื้นที่ และจากจำนวนที่ค่อนข้างเล็กของข้อความวิดีโอที่ยังสามารถได้รับมาก ได้อย่างง่ายดายจากข้อมูลวิดีโอมาตรฐานเช่น trecvid Med 2012 ข้อมูล . ในบทความนี้เรานำเสนอตามกลุ่มแฝงที่ถดถอยโลจิสติก ( จีแฝง ) ผสมรูปแบบวัตถุเหล่านั้นและเหตุการณ์ธนาคารหัวเรื่องความสัมพันธ์เชิงพื้นที่ชั่วคราว นอกจากนี้ เราพัฒนาประสิทธิภาพของขั้นตอนวิธีการฝึกอบรมเพื่อเรียนรู้พารามิเตอร์ของแต่ละรุ่นผสมจีแฝงซึ่งรวมวิธีการและการประสานงานเชื้อสายเชื้อสายวิธีการลดภาพปกติหรือกลุ่ม regularized ฟังก์ชันการสูญเสีย โลจิสติก เรายังได้ทำการทดลองอย่างละเอียดเพื่อประเมินประสิทธิภาพการตรวจจับวัตถุโดยใช้แบบจำลองผสมจีแฝงบน imagenet ท้าทายข้อมูลและเหตุการณ์การตรวจสอบประสิทธิภาพโดยการใช้กิจกรรมธนาคารหัวเรื่องใน trecvid Med 2012 ข้อมูล . ผลลัพธ์ที่แสดงให้เห็นถึงประสิทธิภาพของทั้งสองได้เสนอแนว