Resumen

Debido a la creciente brecha semántica de los videos, se necesitan herramientas computacionales para clasificar estos videos en diferentes géneros con el fin de estrecharla. Clasificar videos de forma precisa requiere una buena representación de los datos del video y un modelo eficiente y efectivo para llevar a cabo la tarea de clasificación. La Regresión Logística Kernel (KLR), versión basada en kernel de la regresión logística (LR), demuestra su eficiencia como clasificador, el cual puede proporcionar probabilidades de forma natural y extenderse a problemas de clasificación multiclase. En este artículo, se implementa el algoritmo de Regresión Logística Kernel Ponderada (WKLR) para la clasificación de género de videos con el fin de obtener una precisión significativa, y muestra resultados precisos y más rápidos.

• Materias:Métodos de Control Vectores de movimiento Codificación de video Sistemas de reproducción Reconocimiento visual
• Subjects:Control Methods Motion Vectors Video Coding Playback systems Visual recognition
• Palabras claves:Brecha semántica; Videos; Herramientas computacionales; Clasificación de género; Regresión Logística del Núcleo; Regresión Logística del Núcleo Ponderada
• Keywords:Semantic gap; Videos; Computational tools; Genre classification; Kernel Logistic Regression; Weighted Kernel Logistic Regression