AI-United » Allgemein » TCC: das Neuronennetz überlagert die Tonaufnahme

TCC: das Neuronennetz überlagert die Tonaufnahme

Temporal Cycle-Consistency Learning (TCC) ist ein Algorithmus zur Erkennung von Handlungen in einem Video. Der Algorithmus lernt selbstüberwacht. Eine Anwendung des Algorithmus ist die Übertragung des Tons von einem Video zum anderen Video. Der Kode des Neuronennetzes ist öffentlich verfügbar.

Bisherige Algorithmen zur Analyse von Videos basierten auf dem überwachten Lernen. Aber die Erkennung des Inhalts des Videos setzt die Klassifizierung jedes Bildfeldes voraus. Die Markierung ist eine ressourcenintensive Aufgabe. Die Forscher von Google AI haben eine selbstüberwachte Methode zur Erkennung des Inhalts von Video vorgeschlagen (TCC). Diese Methode verwendet die  Entsprechungen zwischen den Beispielen für ähnliche aufeinanderfolgende Prozesse, um die Darstellungen von Teilen der Videoaufnahmen zu lernen.

Die Architektur von TCC

Gießt zum Beispiel ein Mensch Wasser in ein Glas, haben solche Handlungen  eine deutliche Folge von Ereignissen. Die Videoaufnahmen solcher Handlungen enthalten temporale Referenzen von Bildfeld zu Bildfeld (temporal correspondences). Alle Videos einer Handlung haben gemeinsame Elemente der Folge von Ereignissen. TCC möchte solche gemeinsamen temporalen Referenzen in verschiedenen Videos einer Handlung erlernen. Das geschieht mit Hilfe der Verlustfunktion cycle consistency.

Der Zweck des Algorithmus liegt darin, den Kodierer der Bildfelder zu trainieren. ResNet wurde als Architektur angewandt. Um den Kodierer zu trainieren, erhält der Kodierer am Input alle Bildfelder des Videos. Am Output liefert der Kodierer die Embeddings der Bildfelder. Dann werden zwei Videos zum Trainieren von TCC ausgewählt. 

Das Video 1 (die Video-Verweisung) und das Video 2. Das Bildfeld aus der Video-Verweisung (Video 1) wird ausgewählt, für dieses Bildfeld wird das Embedding des nächsten Bildfeldes aus Video 2 gefunden. Dann wird für dieses Bildfeld aus Video 2 zyklisch das Embedding des nächsten Bildfeldes aus Video 1 gesucht. Wenn die ausgewählten Embeddings cycle-consistent sind, wird das nächste Embedding aus Video 1 an das ursprünglich ausgewählte Bildfeld verweisen.

Der Kodierer wird so trainiert, dass cycle-consistency loss sinkt und die Embeddings der Bildfelder die semantische Nähe von Bildfeldern besser widerspiegeln.

Wo kann es eingesetzt werden?

TCC findet ähnliche Bildfelder unter Einsatz der nächsten Nachbarn im Raum der Embeddings. Dieser Algorithmus kann die Metadaten zwischen den semantisch ähnlichen Bildfeldern übertragen. Diese Metadaten können im Format temporaler semantischer Marken oder in einem anderen Format (Ton oder Text) vorliegen. Im Video (im Nachstehenden) sieht man zwei Beispiele für die Übertragung des Tons von einem Video zum anderen Video.

Quelle
AI-United-Redaktion

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.