Методи та засоби аналізу відеопотоків та пошуку подібностей у контентно-орієнтованих системах відеоінформації

Abstract

Дисертаційне дослідження присвячене розробленню методів і засобів аналізу відеопотоків та підвищенню точності пошуку подібних фрагментів у контентно-орієнтованих системах відеоінформації (CBVIR). Стрімке зростання обсягів відеоінформації у різних сферах – від систем відеоспостереження та мас-медіа до наукових досліджень і розважальних платформ – зумовлює гостру потребу в ефективних засобах аналізу, пошуку та організації відеоданих. Відповідно, актуальною науковою задачею є швидкий і точний пошук відеоматеріалів за змістом, особливо за умов обмежених обчислювальних ресурсів та великого обсягу даних. Запропоновані у роботі підходи інтегрують сучасні глибокі нейронні мережі (DCNN, LSTM, SlowFast)та методи аналізу сцен (SBD), що дає змогу підвищити точність і швидкодію систем контентного пошуку відео. The dissertation research is devoted to the development of methods and tools for video stream analysis and for improving the accuracy of searching for similar fragments in content-based video information retrieval (CBVIR) systems. The rapid growth of video data in various fields — ranging from surveillance systems and mass media to scientific research and entertainment platforms — creates a pressing need for effective tools for analyzing, searching, and organizing video data. Consequently, the significant scientific challenge lies in achieving fast and accurate content-based video retrieval, especially under constraints of limited computational resources and large data volumes. The approaches proposed in this work integrate modern deep neural networks (DCNN, LSTM, SlowFast) with scene analysis methods (SBD), thus improving both the accuracy and speed of content-based video retrieval systems.