Resumen

La comprensión de archivos de vídeo es una tarea difícil. Aunque las técnicas actuales de comprensión de vídeo se basan en el aprendizaje profundo, los resultados obtenidos adolecen de una falta de significado real y fiable. El aprendizaje profundo reconoce patrones a partir de big data, lo que lleva a una abstracción profunda de características, pero no a una comprensión profunda. El aprendizaje profundo trata de entender la producción multimedia analizando su contenido. No podemos entender la semántica de un archivo multimedia analizando únicamente su contenido. Los eventos que ocurren en una escena adquieren su significado a partir del contexto que los contiene. Un niño gritando puede estar asustado por una amenaza o sorprendido por un bonito regalo o simplemente jugando en el patio. La inteligencia artificial es un proceso heterogéneo que va más allá del aprendizaje. En este artículo, analizamos la heterogeneidad de la IA como un proceso que incluye el conocimiento innato, las aproximaciones y la conciencia del contexto. Presentamos una técnica de comprensión de vídeo consciente del contexto que hace que la máquina sea lo suficientemente inteligente como para entender el mensaje que hay detrás del flujo de vídeo. El objetivo principal es entender el flujo de vídeo extrayendo conceptos significativos reales, emociones, datos temporales y datos espaciales del contexto del vídeo. La difusión de patrones de datos heterogéneos del contexto del vídeo conduce a una toma de decisiones precisa sobre el mensaje del vídeo y supera a los sistemas que se basan en el aprendizaje profundo. Las comparaciones objetivas y subjetivas demuestran la exactitud de los conceptos extraídos por la técnica propuesta consciente del contexto en comparación con las técnicas actuales de comprensión de vídeo de aprendizaje profundo. Ambos sistemas se comparan en términos de tiempo de recuperación, tiempo de computación, consumo de tamaño de datos y análisis de complejidad. Las comparaciones muestran un uso eficiente de los recursos del sistema propuesto con conciencia de contexto, lo que lo convierte en una solución adecuada para escenarios en tiempo real. Además, se discuten los pros y los contras de las arquitecturas de aprendizaje profundo.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:técnicas de comprensión de vídeo, aprendizaje profundo, flujo de vídeo, contexto de vídeo, contexto propuesto, abstracción de características profundas, aprendizaje profundo actual, significado fidedigno real, arquitectura de aprendizaje profundo, concepto significativo real
• Keywords:video understanding techniques, deep learning, video stream, video context, proposed context, deep features abstraction, current deep learning, real trustful meaning, deep learning architecture, real meaningful concept