學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Subject: search.filters.subject.多媒體內容分析

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    偵測各類電影精彩片段之研究
    (2014) 蔡晏瑋
    在多媒體內容分析領域中，影片精彩片段之偵測是一個十分熱門的議題。在過去的研究當中，許多的方法針對運動類型的影片做精彩片段之偵測。對於十分龐大的電影資料，使用者在挑選自己想要收看的影片時會花費大量的時間。因此，如何讓使用者更有效率地去挑選一部想要收看的影片，變成了一個有趣的議題。在本論文中，我們提出了一個對於各類電影精采片段偵測的方法。藉由偵測出精彩片段，做為使用者挑選影片的參考。我們所提出的方法建立在結構化輸出之機器學習模型Structured Output SVM(SOSVM)上以及影像中的特徵分析。其中特徵部分，分為視覺及聽覺兩種。視覺特徵使用的為中階特徵，為鏡頭切換頻率以及鏡頭標籤。聽覺特徵則是基本的音量大小以及聲音頻率。而結構化輸出的機器學習方法有別於傳統SVM的輸出侷限於一個數字或一個標籤，其輸出可以是一個複雜的結構物件。因此在預測精彩片段的學習上，結構化輸出的機器學習方法使我們能夠更直接解決問題。在實驗中，我們使用動作片類型電影以及喜劇片類型電影作為資料庫。整體系統對於兩種不同類型的電影的精彩片段預測皆呈現出不錯的準確率。
  • No Thumbnail Available
    Item
    使用結構性輸出之機器學習方法於電影精彩度預測
    (2013) 許浩禎; Hsu Hao Chen
    在多媒體內容分析領域的近期研究中，針對時間事件的偵測成為了廣泛探討的議題。一個可靠的時間事件偵測技術存在著許多的應用，例如個人視角的生活觀察及預測大範圍災害持續時間等。從這些應用中，我們可以發現早期事件偵測(Early event detection)也漸漸受到重視。對於人們在觀賞電影時，可以很自然地了解到接下來的劇情將要進入精彩，如果可以讓機器也能如人類感知般，了解到電影的精采度變化，將是一件有趣的工作。在本論文中，我們提出一個藉由機器學習模型 結構性輸出支持向量器 (Structured Output SVM) 的方法實現電影上的精采度偵測器，有別於傳統 SVM的輸出侷限於一個數字或一個標籤，Structured Output SVM的輸出格式可以是一個複雜的結構物件，例如是一張圖片、一個框架或是一段時間區間等等。在預測精彩片段的學習上，Structured Output SVM提供了更有彈性的輸出，使我們能夠更直接的解決問題。在本篇論文中，我們利用電影動作片進行實驗，並透過此模型所計算的信心度自動的辨識出精彩場景。
  • No Thumbnail Available
    Item
    基於卷積神經網路的電影海報概念分析
    (2017) 林君儒; Lin, Chun-Ju
    近年來現代人擁有多樣化的休閒娛樂方式，觀賞電影依舊是許多人的首要選擇，電影海報則扮演電影宣傳方式的重要角色，其設計者會以視覺上多樣的元素製作出符合影片風格、概念且具有吸引力的畫面，而這些視覺上的設計元素會與電影息息相關。人們能夠透過視覺輕易地從海報感受出電影的概念，而這些在海報中讓我們可以依據視覺感官接收到的電影海報概念可能有些甚麼？本論文假設電影海報設計的模式與電影的類型有相當程度的關係，在相似的電影類型中，會使用相同的電影海報設計元素。我們從IMP Awards網站上收集了近十年(2006─2015年)的電影海報作為研究的資料集，並從IMDb網站上取得各部電影的類型資訊及關鍵字。我們利用對於圖像辨識有優秀結果的卷積神經網路(Convolutional Neural Network)技術來取出電影海報中的特徵，並以電影關鍵字和情緒視為電影海報概念來分析其記錄大量影像特徵的神經元是否會與其之間有關聯性存在。在本論文的實驗結果發現，利用卷積神經網路對電影海報作電影類型之多標籤分類有良好的分類結果，而且Fc7層取出的特徵向量維度並不影響分類之效能。然而，以電影關鍵字和情緒視為電影海報概念之分析的部分，實驗顯示以本論文的方式進行分析，其與神經元的值之間的關聯性不明顯。