초록

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

본 논문에서는 딥 러닝을 이용해 화면 전환을 검출하는 방식을 제안한다. 특징점을 추출할 때는 딥 뉴럴 네트워크를 사용하였고 추출한 특징점을 SIFT(Scale Invariant Features Transform) 기술자를 이용해 128차원 벡터를 생성한다. 이를 기반으로 각 픽셀마다 매칭 여부를 판단하여 25% 미만일 경우 화면 전환이라고 판단한다.

본 논문에서는 딥 러닝을 이용해 화면 전환을 검출하는 방식을 제안한다. 특징점을 추출할 때는 딥 뉴럴 네트워크를 사용하였고 추출한 특징점을 SIFT(Scale Invariant Features Transform) 기술자를 이용해 128차원 벡터를 생성한다. 이를 기반으로 각 픽셀마다 매칭 여부를 판단하여 25% 미만일 경우 화면 전환이라고 판단한다.

Abstract AI-Helper

In this paper, we propose a method to detect the scene change using deep learning. To extract feature points, we use a deep neural network and express extracted feature points as 128 dimensional vectors using SIFT descriptor. If it is less than 25%, it is determined that the scene is changed....

In this paper, we propose a method to detect the scene change using deep learning. To extract feature points, we use a deep neural network and express extracted feature points as 128 dimensional vectors using SIFT descriptor. If it is less than 25%, it is determined that the scene is changed.

In this paper, we propose a method to detect the scene change using deep learning. To extract feature points, we use a deep neural network and express extracted feature points as 128 dimensional vectors using SIFT descriptor. If it is less than 25%, it is determined that the scene is changed.

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

• 따라서, 본 논문에서는 요즘 뛰어난 결과로 주목받고 있는 딥 러닝을 기반으로 화면 전환을 검출하는 방식을 제안한다.
• 본 논문에서는 딥 러닝을 이용한 화면 전환 검출기를 제안하였다. 특징점 추출 DNN은 VGG-16을 기반으로 컨볼루션 계층 수를 증가하여 DNN을 구성하였다.

제안 방법

• 검출한 특징점들을 SIFT 기술자로 128차원의 벡터를 생성한다. 그 다음 두 영상의 특징점 세트를 비교하여 매칭점을 찾아 그 비율에 따라 화면 전환인지를 판단한다.
• 먼저, 화면 전환을 판단할 두 영상을 각각 DNN을 이용하여 특징점을 검출한다. 검출한 특징점들을 SIFT 기술자로 128차원의 벡터를 생성한다.
• 특징점 추출 DNN은 VGG-16을 기반으로 컨볼루션 계층 수를 증가하여 DNN을 구성하였다. 추출한 특징점을 SIFT descriptor를 사용해 128차원의 기술자를 생성하여 이를 기반으로 매칭점을 추출하였다. 특징점 추출뿐만 아니라 descriptor도 딥 러닝을 사용한다면 더 높은 정확도가 나올 것이라 기대된다.
• 본 논문에서는 딥 러닝을 이용한 화면 전환 검출기를 제안하였다. 특징점 추출 DNN은 VGG-16을 기반으로 컨볼루션 계층 수를 증가하여 DNN을 구성하였다. 추출한 특징점을 SIFT descriptor를 사용해 128차원의 기술자를 생성하여 이를 기반으로 매칭점을 추출하였다.

대상 데이터

• 데이터 세트는 DIV2K 저해상도 데이터 800장을 사용하였다[1]. 옥타브는 0, \(σ\)는 1.
• 본 논문에서 제안하는 화면 전환 검출 방식은 그림 1에 나타내었다. 본 논문에서는 특징점 추출 DNN(feature extraction DNN)과 SIFT(Scale Invariant Features Transform) 기술자(Descriptor)를 사용하였다.
• 실험 데이터는 30fps를 가진 80초짜리 동영상을 10프레임마다 추출하였다. 총 240장으로 화면 전환은 26번이 발생한다.
• 입력데이터는 33×33으로, 간격을 한 픽셀로 두었다. 훈련 데이터는 특징점인 영상과 특징점이 아닌 영상의 비율을 1:10으로 두어 각각 215k개, 2,152k개로총 데이터 수는 2M개를 사용하였다.

이론/모형

• SIFT 기술자를 구현하기 위해 openCV 함수를 이용한다. DNN으로 추출한 특징점을 기준으로 주위의 4x4 픽셀들을 8차원의 방향을 판단하여 128차원의 벡터를 생성한다.

성능/효과

• 총 240장으로 화면 전환은 26번이 발생한다. 제안하는 딥 러닝을 이용한 화면 전환 검출기는 정확도 80.7%를 가진다. 그림 3은 화면 검출 결과들을 보여준다.

후속연구

• 추출한 특징점을 SIFT descriptor를 사용해 128차원의 기술자를 생성하여 이를 기반으로 매칭점을 추출하였다. 특징점 추출뿐만 아니라 descriptor도 딥 러닝을 사용한다면 더 높은 정확도가 나올 것이라 기대된다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기