초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근 개인방송에 대한 관심이 증가하면서 개인 방송 제작자와 콘텐츠의 수가 급증하고 있다. 이에 시청자의 선택이 용이하도록 방송 내용 중 흥미를 끌 만한 장면을 모아 하이라이트를 제공하는 서비스에 대한 요구가 커지고 있다. 본 논문에서는 전문 편집자나 편집 기술 없이 자동으로 하이라이트를 검출하는 방법을 제시한다. 제안하는 알고리즘은 개인 방송의 채팅 정보를 이용하며, 시간에 따른 채팅의 빈도 변화를 통해 하이라이트 구간을 검출한다. 검출 알고리즘은 시청자 선호도가 높은 게임 방송에 적용하여 그 성능을 확인하였다.

최근 개인방송에 대한 관심이 증가하면서 개인 방송 제작자와 콘텐츠의 수가 급증하고 있다. 이에 시청자의 선택이 용이하도록 방송 내용 중 흥미를 끌 만한 장면을 모아 하이라이트를 제공하는 서비스에 대한 요구가 커지고 있다. 본 논문에서는 전문 편집자나 편집 기술 없이 자동으로 하이라이트를 검출하는 방법을 제시한다. 제안하는 알고리즘은 개인 방송의 채팅 정보를 이용하며, 시간에 따른 채팅의 빈도 변화를 통해 하이라이트 구간을 검출한다. 검출 알고리즘은 시청자 선호도가 높은 게임 방송에 적용하여 그 성능을 확인하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 영상을 보는 다수의 사람이 흥미롭게 여기는 구간을 이용하여 하이라이트 구간을 검출하기 위해 채팅 트래픽을 이용하는 방법을 제시하였다. 실험 결과 하이라이트 구간에서 채팅 수가 증가 하는 것을 확인하였고, 이를 이용하여 하이라이트 구간을 자동으로 검출할 수 있음을 보였다.
• 방송이 진행되면서 시청자가 흥미를 느끼는 부분에서는 그렇지 않은 부분에 비해 시청자들은 대체로 많은 채팅을 남기게 된다. 본 논문에서는 이러한 특징을 이용하여 개인방송에서 하이라이트를 검출하는 방법을 제시한다.
• 이에 제작자들은 직접 혹은 전문 편집자를 통해 시청자들이 흥미를 느낄만한 부분을 편집하여 하이라이트 영상으로 제공하는 경우도 있지만, 시간과 비용이 많이 드는 문제가 있다. 이러한 문제를 해결하기 위해 본 논문은 개인방송의 채팅 정보를 이용하여 하이라이트를 자동으로 검출하는 알고리즘을 제안한다. 이를 위해 우리는 대다수 시청자가 흥미를 느끼는 부분에서 채팅이 많이 이루어지는 점에 주목하여 채팅 트래픽이높거나 급증하는 부분을 하이라이트로 검출한다.

제안 방법

• 본 논문에서 제안한 알고리즘으로 검출한 하이라이트와 대조군을 비교하기 위해 leave-one-out 방법으로 실험을 진행하기 위해 획득한 7개의 영상 중 6개의 영상을 이용해 s_offset과 e_offset을 지정해준 후, 남은 한 개의 영상으로 실험 결과를 확인하였다. 각 실험의 결과는 그림 6과 같다.
• [2,3,4] 하지만 본 논문은 채팅 트래픽의 변화를 이용하여 시청자들이 흥미를 느끼는 구간들을 하이라이트로 검출한다는 점에서 차이를 보인다. 본 논문에서는 개인 방송 중 상대적으로 시청자 선호 비중이 높은 게임 방송을 중심으로 기술하고[5], 제안한 알고리즘을 적용한다.
• 앞서 제시한 알고리즘을 사용해 채팅 트래픽을 기반으로 하이라이트 구간을 검출한다. 본 논문에서는 Twitch에서 방송한 게임 영상을 대상으로 실험을 진행하였다.
• 우선 peak selection 단계를 통해 선택한 피크 P가 대조군에 얼마나 상응하는지 살펴본다. 이때 그림 5에서 볼 수 있듯이 하나 이상의 피크가 하나의 하이라이트 구간에 대응할 수 있다.
• 이 영상들은 ‘2017 LoL 챔피언스 코리아서머’ 대회 게임 영상으로, 전체 게임 영상과 더불어 대회 주최 측에서 제작한 게임 하이라이트(이하 대조군으로 표기)를 영상 끝에 포함하고 있다. 위에서 제안된 알고리즘을 이용해 검출한 하이라이트 구간을 방송 영상에 포함되어있는 하이라이트와 비교하여 그 성능을 검증한다.
• 일반적으로 방송에서 흥미로운 부분이 진행될 때는 시청자들이 채팅을 통해 더욱 많은 관심을 표현하는 경향이 있으므로 채팅 수가 많거나 급격히 증가할 것으로 기대할 수 있다. 이러한 점을 고려하여 제안하는 알고리즘은 시간에 따른 채팅 트래픽이 높은 피크 지점과 변동 폭이 큰 지점을 선정한다. 이러한 기준은 다음과 같이 구체적으로 기술할 수 있다.
• 이러한 문제를 해결하기 위해 본 논문은 개인방송의 채팅 정보를 이용하여 하이라이트를 자동으로 검출하는 알고리즘을 제안한다. 이를 위해 우리는 대다수 시청자가 흥미를 느끼는 부분에서 채팅이 많이 이루어지는 점에 주목하여 채팅 트래픽이높거나 급증하는 부분을 하이라이트로 검출한다.

대상 데이터

• 앞서 제시한 알고리즘을 사용해 채팅 트래픽을 기반으로 하이라이트 구간을 검출한다. 본 논문에서는 Twitch에서 방송한 게임 영상을 대상으로 실험을 진행하였다. 이 영상들은 ‘2017 LoL 챔피언스 코리아서머’ 대회 게임 영상으로, 전체 게임 영상과 더불어 대회 주최 측에서 제작한 게임 하이라이트(이하 대조군으로 표기)를 영상 끝에 포함하고 있다.
• 이때 그림 5에서 볼 수 있듯이 하나 이상의 피크가 하나의 하이라이트 구간에 대응할 수 있다. 전체 7개의 영상에서 선택된 피크의 총 개수는 88개이며 그중 31개가 대조군 구간에 속하고, 전체 50개의 대조군 구간 중 24개가 피크를 포함하고 있다. 영상별 관계는 표 2에 정리되어 있다.

성능/효과

• 39%이다. 검출 구간을 기준으로 대조군과 가장 많이 일치하는 영상은 game2로 66.67% 일치하지만, 가장 일치하지 않는 영상은 game4로 27.27% 만 일치한다. 마찬가지로 대조군을 많이 검출한 영상은 game6으로 75% 검출하였으나 검출이 잘 안된 영상은 game3으로 28.
• 57%의 대조군만이 검출된 피크를 포함한다. 검출된 피크 중 대조군에 속하는 피크의 비율과 검출된 피크를 포함하는 대조군의 비율을 평균을 내서 비교한 결과 game6이 58.93%로 가장 높은 성능을 보인 반면, game3은 25.40%로 가장 낮은 성능을 보였다.
• 57%만 검출하였다. 검출된 하이라이트 구간 중 대조군과 일치하는 구간의 비율과 검출된 대조군의 비율을 평균내서 비교한 결과 game2가 63.34%로 가장 높았고, game4가 30.30%로 가장 낮은 성능을 보였다.
• 15%이다. 또한, 대조군에 속하는 피크를 가장 많이 찾은 영상은 game1과 game2로 50%의 비율로 검출된 피크가 대조군에 속함을 확인하였지만, game7은 검출된 피크 중 15.38%만이 대조군에 속했다. 마찬가지로 검출된 피크를 포함하는 대조군은 game6이 75%로 가장 높고, game3은 28.
• 27% 만 일치한다. 마찬가지로 대조군을 많이 검출한 영상은 game6으로 75% 검출하였으나 검출이 잘 안된 영상은 game3으로 28.57%만 검출하였다. 검출된 하이라이트 구간 중 대조군과 일치하는 구간의 비율과 검출된 대조군의 비율을 평균내서 비교한 결과 game2가 63.
• 본 논문에서는 영상을 보는 다수의 사람이 흥미롭게 여기는 구간을 이용하여 하이라이트 구간을 검출하기 위해 채팅 트래픽을 이용하는 방법을 제시하였다. 실험 결과 하이라이트 구간에서 채팅 수가 증가 하는 것을 확인하였고, 이를 이용하여 하이라이트 구간을 자동으로 검출할 수 있음을 보였다.
• 실험을 진행한 7개의 영상에 대해 제안된 알고리즘을 이용해 검출된 하이라이트 구간 중 대조군과 일치하는 구간의 비율은 42.73%이며, 대조군이 검출된 비율은 50.39%이다. 검출 구간을 기준으로 대조군과 가장 많이 일치하는 영상은 game2로 66.
• 실험을 진행한 7개의 영상에 대해 제안한 알고리즘을 이용해 검출된 피크를 중 대조군에 속하는 피크의 비율은 평균적으로 35.48%이며, 검출된 피크를 포함하는 대조군은 평균 55.15%이다. 또한, 대조군에 속하는 피크를 가장 많이 찾은 영상은 game1과 game2로 50%의 비율로 검출된 피크가 대조군에 속함을 확인하였지만, game7은 검출된 피크 중 15.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기