РАЗРАБОТКА И ИССЛЕДОВАНИЕ МОДЕЛИ КЛАССИФИКАЦИИ ВИДЕОИНФОРМАЦИИ
Аннотация
Статья посвящена решению научной задачи классификации видеоконтента в услови-
ях увеличения объемов информации. Компьютерное зрение является весьма актуальной
областью применения технологий искусственного интеллекта для расширения возможно-
стей различных поисковых и архивных систем. Авторами даны определения основным
терминам исследуемой предметной области. Представлена формализованная постановка
решаемой задачи. Приведена развернутая классификация возможных вариантов решения
поставленной задачи. С быстрым развитием информационных технологий цифровой кон-
тент демонстрирует тенденцию к взрывному росту. Классификация спортивных видео
имеет большое значение для архивирования цифрового контента на сервере. Многие алго-
ритмы интеллектуального анализа данных и машинного обучения достигли больших успе-
хов во многих областях для применения (таких как классификация, регрессия и кластериза-
ция). Однако большинство этих алгоритмов имеют общий недостаток, когда обучающая
и тестовая выборки находятся в одном и том же пространстве признаков и подчиняются
одному и тому же распределению. В этой статье рассматривается значимость решения
задачи классификации видео и автоматического аннотирования содержания видеоинфор-
мации, а также разработана модель на основе глубокого обучения и больших данных.
В рамках данного исследования авторами была разработана модель, которая повышает
качество классификации видео, что позволяет улучшить результаты поиска. Результа-
ты вычислительного эксперимента показывают, что предложенная модель может э ф-
фективно использоваться для распределения по классам видео событий в рамках спо р-
тивной предметной области на основе применения сверточной нейронной сети. При
этом, обеспечивается высокая точность классификации видео спортивных тренировок.
По сравнению с другими моделями предлагаемая имеет преимущества простой реализа-
ции, быстрой скорости обработки, высокой точности классификации а также высокой
способности к обобщению.
Литература
[Video content classification based on convolutional neural networks], E-Scio, 2021, No. 12
(63), pp. 395-405.
2. Kireev V.S., Fedorenko V.I. Ispol'zovanie metodov vektorizatsii tekstov na estestvennom
yazyke dlya povysheniya kachestva kontentnykh rekomendatsiy fil'mov [Using methods of
vectorization of texts in natural language to improve the quality of movie content recommendations],
Sovremennye naukoemkie tekhnologii [Modern high technologies], 2018, No. 3,
pp. 102-106.
3. Nikitin I.K. Obzor metodov kompleksnogo assotsiativnogo poiska video [Overview of methods
for complex associative video search], Vestnik Novosibirskogo gosudarstvennogo universiteta.
Seriya: Informatsionnye tekhnologii [Bulletin of the Novosibirsk State University. Series: Information
technologies], 2014, Vol. 12, No. 4, pp. 71-82.
4. Kuznetsov A.A. Obzor vozmozhnosti obuchenie robotov pri pomoshchi algoritmov glubokogo
obucheniya [Overview of the possibility of training robots using deep learning algorithms],
Vestnik nauki [Bulletin of science], 2022, Vol. 2, No. 6(51), pp. 239-243.
5. Nikitin I.K. Elementy assotsiativnogo poiska po video [Elements of associative video search],
Novoe slovo v nauke: perspektivy razvitiya [New word in science: development prospects],
2014, No. 1 (1), pp. 223-230.
6. Poleshchuk Kh.A., Solomatin D.I. Klassifikatsiya video po opisaniyam [Classification of videos
by descriptions], Sb. studencheskikh nauchnykh rabot fakul'teta komp'yuternykh nauk VGU:
Sb. statey [Collection of student scientific papers of the Faculty of Computer Science of the
Voronezh State University: Collection of articles]. In 2nd part. Part 2, ed. by D.N. Borisova,
Issue 13. Voronezh: Voronezhskiy gosudarstvennyy universitet, 2019, pp. 183-189.
7. Bova V.V., Kravchenko Yu.A., Kuliev E.V., Kureychik V.V. Modelirovanie povedeniya sub"ekta v
Internet-servisakh na osnove modifitsirovannogo algoritma bakterial'noy optimizatsii [Modeling the
subject's behavior in Internet services based on a modified bacterial optimization algorithm],
Informatsionnye tekhnologii [Information technologies], 2019, Vol. 25, No. 7, pp. 397-404.
8. Bratskikh I.A. Iskusstvennyy intellekt, mashinnoe obuchenie, glubokoe obuchenie i neyronnye
seti [Artificial intelligence, machine learning, deep learning and neural networks],
Pravoporyadok v Rossii: problemy sovershenstvovaniya: Sb. materialov XIV Vserossiyskoy
konferentsii, Moskva, 11–14 fevralya 2020 goda [Law and order in Russia: problems of improvement:
Proceedings of the XIV All-Russian Conference, Moscow, February 11–14, 2020].
Moscow: Moskovskiy universitet MVD Rossii imeni V.Ya. Kikotya, 2020, pp. 285-286.
9. Gorodnichev D.Yu. Mashinnoe obuchenie i glubokoe obuchenie [Machine learning and deep
learning], Sovremennye problemy lingvistiki i metodiki prepodavaniya russkogo yazyka v
VUZe i shkole [Modern problems of linguistics and methods of teaching the Russian language
at the university and school], 2022, No. 38, pp. 278-281.
10. Hu F., Hao Q., and Bao K. A survey on software-defined network and openflow: from concept
to implementation, IEEE Communications Surveys & Tutorials, 2014, Vol. 16, No. 4,
pp. 2181-2206.
11. Naseer S., Saleem Y., Khalid S. et al. Enhanced network anomaly detection based on deep
neural networks, IEEE Access, 2018, Vol. 6, pp. 48231-48246.
12. Vo A.H., Hoang Son L., Vo M.T., and Le T. A novel framework for trash classification using
deep transfer learning, IEEE Access, 2019, Vol. 7, pp. 178631-178639.
13. Tong H., Chu J., and Shen J. Image classification technology based on convolutional neural
network, Science and Technology Vision, 2017, Vol. 1, No. 032, pp. 36-37.
14. Zhang F. and Yan J. Cloud image classification method based on deep convolutional neural
network, Xibei Gongye Daxue Xuebao, Journal of Northwestern Polytechnical University,
2020, Vol. 38, No. 4, pp. 740-746.
15. Hecker A. Knowledge Beyond the Individual. Making Sense of a Notion of Collective
Knowledge in Organization Theory, Organization Studies, 2012, Vol. 33, pp. 423-445.
16. BovaV.V., Kureichik V.V., Nuzhnov E.V. The Combined Method of Semantic Similarity Estimation
of Problem Oriented Knowledge on the Basis of Evolutionary Procedures, Artificial Intelligence
Trends in Intelligent Systems, 2015, pp. 74-83.
17. Rodzin S., Rodzina L. Theory of Bioinspired Search for Optimal Solutions and its Application
for the Processing of Problem-Oriented Knowledge, 8th IEEE International Conference on
Application of Information and Communication Technologies, 2014, pp. 142-147.
18. Dolinina O., Suchkova N. Formal Models of the Structural Errors in the Knowledge Bases of
Intellectual Decision Making Systems, Artificial Intelligence Trends in Intelligent Systems,
2015, pp. 156-167.
19. Jensen J. A Systematic Literature Review of the Use of Semantic Web Technologies in Formal
Education, Br. J. Edu. Technol., 2019, Vol. 50, pp. 505-517.
20. Gulyakina N.A., Davydenko I.T. Semanticheskie modeli i metod soglasovannoy razrabotki baz
znaniy [Semantic models and the method of coordinated development of knowledge bases],
Programmnye produkty i sistemy [Software products and systems], 2020, No. 3, pp. 420-429.
21. Shalimov P.Yu. Modeli kolichestvennoy shkaly otsenki semanticheskoy informatsii [Models of
a quantitative scale for evaluating semantic information], Avtomatizatsiya i modelirovanie v
proektirovanii i upravlenii [Automation and modeling in design and management], 2020,
No. 2 (8), pp. 24-32.
