Apprentissage non supervisé pour le résumé vidéo multi-sources.

Abstract

De nombreuses tâches de surveillance visuelle, comme le résumé vidéo, sont accomplies en analysant les caractéristiques basées sur les images. En s'appuyant uniquement sur des repères visuels pour la vidéo surveillance publique, cela s'avère peu fiable, les événements d'intérêt peuvent être subtiles. Nous pensons que les sources de données non visuelles telles que la météo et la circulation peuvent être exploitées afin de compléter les données visuelles à l'analyse de contenu vidéo et le résumé. En particulier, nous étudions des moyens de composer avec les écarts de dimension et de représentation tout en associant ces sources de données hétérogènes, et dérivons un mécanisme efficace pour les données manquantes et incomplètes de déférentes sources. En outre, une étude de l'utilisateur complète est effectuée afin de valider la qualité du résumé vidéo généré à l'aide du modèle d'apprentissage multi-sources proposées. Mots clé : données multi-sources, données hétérogènes, surveillance visuelle, clusturing, la reconnaissance de l'événement, résumé vidéo