https://virgool.io/feed/@mostafa-dastghbi تخصص در طراحی مارک و چاپ ، طراحی وب سایت و رسانه های اجتماعی ، ویرایش ویدئو و موشن گرافيك. من از شما و تجارتتان مراقبت می کنم و می خواهم رشد شما را ببینم و رویاهای خود را به یک واقعیت موفق تبدیل کنم. fa 2026-06-10 22:36:40 https://files.virgool.io/upload/users/423816/avatar/DqftdU.jpg?height=120&width=120 https://virgool.io/@mostafa-dastghbi https://virgool.io/@mostafa-dastghbi/mpeg7-lac5tq27fow8 ترجمه فصل 4 کتاب videoMiningBookترجمه فصل 4 کتاب videoMiningBookجمع بندی ویدئو با استفاده از فعالیت حرکتی MPEG-7 و توصیف کنندگان صوتیرویکرد دامنه فشرده به مرور ویدیوآزمایشگاه های تحقیقاتی میتسوبیشی الکتریک ، کمبریج ، MA 02139چکیدهما با استفاده از روش های خلاصه سازی و نمایه سازی فیلم MPEG-7 فعالیت حرکت را توصیف می کنیم این توصیفگر که قابل استخراج است در دامنه فشرده شده و جمع و جور میباشد ، و بنابراین آسان است تراکت و کبریت. ما ثابت می کنیم که شدت فعالیت حرکتی از فیلمبرداری نشان مستقیم از خلاصه بودن آن است. همچنین ما توصیف می کنیم تکنیک های خلاصه فیلم بر اساس نمونه گیری در تجمعی فضای فعالیت حرکتی است. سپس ما ترکیبی از حرکت ac- را توصیف می کنیم تکنیک های مبتنی بر tivity با تشخیص صدای کلی امکان پذیر است ونسل کاملاً اتوماتیک خلاصه فیلم و اخبارمیباشد.خلاصه ما با استفاده از روش محاسباتی ساده و انعطاف پذیر ، اجازه می دهیم تولید سریع و خلاصه ای از هر طول دلخواه داشته باشیم.واژه های کلیدی: MPEG-7 ، فعالیت حرکتی ، خلاصه فیلم ، تجزیه و تحلیل دیداری و شنیداری ، نکات مهم ورزشی ، مرور ویدیوی خبری ، توصیف کنندگان ، دامنه فشرده ، جمع بندی ، وفاداری خلاصه ، فضای فعالیت حرکتی ، فعالیتاسکریپت ، استخراج قاب کلید ، نمونه برداری غیر یکنواخت ، فعالیت طبیعی- پخش ized ، تشخیص صدا ، خوشه بندی صدا ، تغییر بلندگو tection ، مدل مخفی مارکوف (HMM) ، مدل مخلوط گوسی (GMM) ،شناسایی بازیگران می باشد.94مقدمهکارهای گذشته در مورد خلاصه سازی ویدئو عمدتا از توصیف رنگ استفاده کرده است- tors ، با برخی از کارها در زمینه انتزاع فیلم بر اساس ویژگی های حرکت. که در در این فصل ما با استفاده از روش جدیدی برای جمع بندی فیلم ارائه می دهیم توصیف کننده فعالیت حرکتی MPEG-7 ]ژانین و دیواکاران ، 2001[.از آنجا که انگیزه ما سادگی محاسباتی و ترکیب آسان است به سخت افزار سیستم مصرف کننده ، ما در استخراج ویژگی در تمرکز می کنیم دامنه فشرده شده ما ابتدا به مسئله جمع بندی a می پردازیم توالی ویدئو با انتزاع هر یک از عکسهای تشکیل دهنده آن میباشد.تأیید می کنیم فرضیه ما که شدت فعالیت حرکت بیانگر تفاوت مهارت خلاصه برداری ازفیلمبرداری میباشد.ما این کار را با مطالعه تنوع یک قاب کلیدی واحد با تغییر در اهداف فعالیت حرکتی متناسب با استاندارد ویدئویی MPEG-7 تعریف شده است. ما این فرضیه انگیزه روش استخراج کلید-قاب ما را ایجاد می کند متکی است به نمونه برداری از فیلم ضبط شده در شدت تجمعی فضای فعالیت tion. همچنین باعث ایجاد انگیزه در نرخ فریم پخش تطبیقی ​​ما می شود رویکرد خلاصه نویسی سپس یک جمع بندی دو مرحله ای تهیه می کنیم تکنیک با پیدا کردن مرزهای مرتبط. دنباله ویدئو با استفاده از تشخیص صدای کلی MPEG-7 و سپس استفاده از کلید- جمع بندی مبتنی بر استخراج قاب به هر یک از بخش های معنایی ادامه میابد .روش فوق برای محتوای ویدیویی مانند ویدیوی خبری به خوبی کار می کند که در آن هر فیلمبرداری به نوعی باید در فینال نمایش داده شود خلاصه. با این حال ، در فیلم ورزشی ، همه عکسها به یک اندازه مهم نیستند از آنجا که وقایع کلیدی فقط به صورت دوره ای رخ می دهد. این انگیزه ما را برای پیشرفت ایجادمی کند مجموعه ای از تکنیک های برجسته ورزشی که به ویژگی ها متکی هستند - الگوهای زمانی ترکیبی از ترکیبات فعالیت حرکتی و سایر موارد ویژگی های دیداری و شنیداری.1 زمینه و انگیزه1.1توصیف کننده فعالیت حرکتشرح فعالیت حرکتی MPEG-7 Jeannin and Divakaran]، 2001[تلاش می کند درک انسان از "شدت عمل" یا"سرعت" یک بخش ویدیویی. به عنوان مثال ، یک لحظه گلزنی در یک بازی فوتبال توسط اکثر مردم به عنوان یک دنباله "عمل بالا" درک می شود بینندگان انسانی از طرف دیگر ، توالی "سر و شانه ها" از یک فرد سخنران مطمئناً دنباله ای "کم عمل" محسوب می شود توسط اکثر مشخص شده است که MPEG-7 توصیف کننده فعالیت حرکتی است با دقت تمام دامنه شدت عمل را در فیلم طبیعی ضبط کنید. برای طبقه بندی ویدئو از انحراف معیار کوانتیزه حرکات حرکتی استفاده می کند بخشها به پنج کلاس متغیر از شدت بسیار کم تا شدت بسیار زیاد است.941.2 استخراج قاب اصلی از عکس هایک رویکرد اولیه برای استخراج قاب-کلید انتخاب اولین روش مناسب قاب یک شات به عنوان قاب اصلی میباشد. این یک رویکرد منطقی است و موثر برای عکسهای کم حرکت خوب است. با این حال ، با بالاتر رفتن حرکت ، اولین قاب به عنوان یک قاب کلیدی به طور فزاینده ای قابل قبول نیست. بسیاری دیگر رویکردهای بعدی برای بررسی به [Hanjalic and Zhang]، 1999 مراجعه کنید با استفاده از فریم های اضافی که به معنی قاب اول ، که نمی توان از قاب اول نیز جدا شد. یکی دیگر این گروه شامل رویكردهایی است كه به خوشه بندی و سایر تجزیه و تحلیل فشرده از نظر قضایی هیچ یک از این دو دسته از حرکت استفاده نمی کنند ویژگی ها و از نظر محاسباتی فشرده هستند. دلیل استفاده از رنگ این است که اندازه گیری قابل اعتماد تغییر از قاب به قاب را امکان پذیر می کند. چگونه- همیشه ، فیلم جبران شده از حرکت نیز به اندازه گیری تغییر متکی است از چارچوب به چارچوب ، که به ما انگیزه می دهد طرح هایی را بررسی کنیم از بردارهای حرکتی برای درک تغییر از کادر به کادر دیگر در فیلم استفاده کنید توالی. علاوه بر این ، بردارهای حرکتی به راحتی در بازار موجود هستند دامنه فشرده شده از این رو راهی جذاب محاسباتی ارائه می دهد. ما رویکرد مشابه روش گرگ است (نگاه کنید به Hanjalic and Zhang، 1999) در این که ما از یک معیار حرکت ساده نیز استفاده می کنیم و در این صورت ما این کار را نمی کنیم برای تصمیم گیری در مورد فریم های کلیدی از آستانه های ثابت استفاده کنید. با این حال ، بر خلاف گرگ ، به جای دنبال کردن تغییر اندازه گیری از قاب به قاب ، ما پیشنهاد می کنیم که حرکت ساده شلیکRic ، توصیف کننده شدت حرکت MPEG-7 ، معیار اندازه گیری است خلاصه شدن توالی ویدئو1.3 وفاداری مجموعه ای از فریم های کلیدیمعیار وفاداری [چانگ و همکاران ، 1999 به عنوان نیمه فاصله Hausdorff بین مجموعه قابهای کلید S و مجموعه قابها Rدر توالی های ویدئویی. یک تعریف کاربردی از نیمه هوسدورف فاصله d sh به شرح زیر است: بگذارید مجموعه قاب کلید از m قاب تشکیل شودS i ، i = 1 ..m ، و اجازه دهید مجموعه ای از فریم های R شامل n فریم R i باشد ، i = 1 ..n. اجازه دهید که فاصله بین دو فریم S i و R i باشد د S i ، R i . d i را تعریف کنیدبرای هر فریم Ri به عنوان d i = دقیقه ( d ( S j ، R i )) ، j = 1 ، m سپس فاصله Semi-Hausdorff بین S و R توسط داده می شود d sh ( S ، R ) = حداکثر ( d i ) ، i = 1 ، n اکثر اقدامات عدم تشابه موجود خصوصیات مورد نیاز را برآورده می کند فاصله بیش از یک فضای متریک مورد استفاده در تعریف فوق.می باشد96فصل ، ما از معیار تقاطع هیستوگرام رنگی استفاده می کنیم که توسط Swain and Ballard (مراجعه کنید Chang et al. ، 1999)2 فعالیت حرکتی به عنوان اندازه گیری جمع بندیما فرض می کنیم که از آنجا که در واقع معیار اندازه گیری عمل کم یا زیاد آن است اینکه یک صحنه ویدئویی چقدر تغییر می کند ، این اندازه گیری "خلاصه- قابلیت اطمینان ”از صحنه ویدئو. به عنوان مثال ، یک تعقیب و گریز با سرعت بالا اتومبیل انجام خواهد شد مطمئناً "تغییرات" بیشتری در مقایسه با گفتن مجری خبر در آن ایجاد شده است شات ، و بنابراین تعقیب و گریز با سرعت بالا به منابع بیشتری نیاز دارد خلاصه ای تصویری از مجری اخبار. متأسفانه ، آنجا اقدامات ساده عینی برای آزمایش چنین فرضیه ای وجود ندارد.با این حال، از آنجا که تغییر در یک صحنه اغلب شامل تغییر در ویژگی های رنگ است همچنین ، ابتدا سعی می کنیم رابطه بین رنگ پایه را بررسی کنیم وفاداری همانطور که در بخش 4.2.2 تعریف شده است ، و شدت فعالیت حرکتی. اجازه دهید مجموعه قاب کلید برای شات A be S A و آن برای شات B S B است . اگر S A وS B هر دو دارای تعداد یکسانی فریم های کلیدی هستند ، سپس فرضیه ما این است که اگر شدت فعالیت حرکتی شلیک A بیشتر از باشد شدت فعالیت حرکتی شلیک B ، وفاداری S A کمتر از است راحت و کاربر پسند S B .می باشد.2.1ایجاد فرضیهما ویژگی های رنگی و حرکتی برنامه های ویدیویی خبری را از استخراج می کنیم مجموعه آزمون MPEG-7 ، که در قالب MPEG-1 است. ما ابتدا تقسیم بندی می کنیم برنامه ها را به عکس تبدیل کنید. برای هر شلیک ، حرکت را استخراج می کنیم ویژگی های فعالیت از تمام فریم های P با محاسبه انحراف معیار استاندارد اندازه برداری از بردارهای حرکتی بلوک های کلان هر قاب P ، و یک هیستوگرام 64 bin RGB از تمام فریم های I ، هر دو در دامنه فشرده شده توجه داشته باشید که بلوک های درون کدگذاری شده در نظر گرفته می شوند اندازه بردار حرکت صفر. سپس فعالیت حرکتی را محاسبه می کنیم توصیف کننده هر I-Frame با میانگین بخشیدن به قابهای قبلی در گروه تصاویر (GOP). بنابراین I-Frames همه دارای هیستوگرام هستند و یک مقدار فعالیت حرکتی مرتبط با آنها. فعال حرکت با میانگین گیری از فعالیت حرکتی ، کل شات بدست می آید مقادیر محاسبه شده در بالا. از این پس ، ما مجموعه ای از فریم های I را درمان می کنیم شات به عنوان مجموعه ای از فریم های R است که قبلاً تعریف شد. ساده ترین استراتژی برای تولید یک فریم کلیدی برای یک شات استفاده از فریم اول است ، به عنوان مثال قبلا ذکر شده. بنابراین ما از اولین فریم I به عنوان فریم کلید استفاده می کنیم و وفاداری آن را همانطور که در بخش 4.2.2 شرح داده شده محاسبه کنید. ما از نظر تجربی می یابیم که یک قاب کلیدی با فاصله Semi-Hausdorff حداکثر 0.2 از رضایت کیفیت کارخانه ، با تجزیه و تحلیل نمونه هایی از توالی "سر صحبت".? 97شکل 4.1 تأیید فرضیه و انتخاب فعال کردن حرکت تک فریم کلیدی ity (انحراف معیار بزرگی بردار حرکت) در مقابل درصد مدت زمان عکسهای غیرقابل قبول (اخبار پرتغالی از مجموعه آزمایش MPEG-7 jornaldanoite1.mpg)بنابراین می تواند عکس ها را به دو دسته ، با فریم های کلیدی طبقه بندی کند با d sh کمتر یا برابر با 0.2 به عنوان مثال وفاداری قابل قبول و کسانی که دارای فریم های کلیدی با d sh بیشتر از 0.2 ، یعنی وفاداری غیرقابل قبول. استفاده كردن MPEG-7 توصیف فعالیت حرکت ، ما همچنین می توانیم عکسها را طبقه بندی کنیم به پنج دسته مختلف از فعالیت بسیار کم تا بسیار زیاد.را دارا می باشد سپس ما درصد طول عکسها را با d sh بیشتر از 0.2 در هر یک پیدا کنید این دسته ها برای برنامه خبری(اخبار اسپانیا) و طرح نتایج در شکل 4.1. می توانیم ببینیم که فعالیت حرکتی بالا می رود از خیلی کم به خیلی زیاد ، درصد غیر قابل قبول خلاصه می شود عکس ها نیز به طور مداوم افزایش می یابد. به عبارت دیگر ، جمع بندی از98با افزایش فعالیت حرکتی ، عکس ها کاهش می یابد. علاوه بر این ،? وفاداری فریم تک کلید برای 90 درصد عکس ها قابل قبول است. ما هم همین را پیدا می کنیم الگوی دیگر برنامه های خبر ی میباشد. بنابراین شواهد تجربی پیدا می کنیم که با محتوای برنامه خبری ، فرضیه ما معتبر است. از آنجا که اخبار برنامه ها از نظر محتوا متنوع هستند ، انتظار داریم این نتیجه اعمال شود به طیف گسترده ای از مطالب. از آنجا که ما از آستانه MPEG-7 استفاده می کنیم برای فعالیت حرکتی ، نتیجه ما وابسته به محتوا نیست.شکل 4.2 فعالیت حرکت (انحراف معیار اندازه برداری بردار حرکت) در مقابل. مدت زمان درصد عکسهای غیرقابل قبول (اخبار اسپانیا از مجموعه آزمایش MPEG-7) خط ثابت نشان دهنده استراتژی "کلید" قاب اصلی است در حالی که خط نقطه ای نشان دهنده استراتژی استخراج پیش فرض کلید-کلید را ارسال می کند. هر شکل یک خاص را نشان می دهد تعداد فریم های کلیدی ، + نشان دهنده یک قاب واحد است ، دایره دو فریم ، مربع سه قاب و مثلث پنج قاب.? 99شکل 4.3 تصویربرداری از استراتژی استخراج یک قاب کلیدی. توجه داشته باشید که یک تعمیم ساده برای n فریم کلیدی? جدول 4.1 مقایسه با قاب کلید وفاداری مطلوب2.2فعالیت متحرک مبتنی بر غیر یکنواخت رویکرد نمونه برداری درKey-Frameاستخراجاگر طبق بخش 4.2.1 شدت فعالیت حرکتی در واقع یک معیار است که از تغییر قاب به قاب دیگر ، و گذشت زمان و تجمعی100شدت فعالیت حرکتی باید نشانه خوبی از تجمع باشد و همچنین تغییر اساسی در محتوا. به یاد بیاورید که در بررسی کارهای قبلی ما اظهار داشتیم که مجبور شدن اولین فریم را به عنوان قاب اصلی انتخاب کنیم ناسازگار اگر قاب اول بهترین انتخاب برای بهترین نیست اولین قاب کلید ، طرحهایی که از آن به عنوان اولین قاب کلید استفاده می شود مانند موارد دیگر بررسی شده در [هانجالیچ و ژانگ ، 1999] در یک اشتباه شروع می شود. این بدان معنی است که قاب که در آن فعالیت حرکت تجمعی نصف حداکثر است مقدار بهترین انتخاب برای اولین قاب کلید است. ما این فرضیه را با آزمایش می کنیم با استفاده از قاب که در آن فعالیت حرکت تجمعی نصف مقدار آن است برای کل شات به عنوان فریم یک کلید به جای اولین فریم کلید برای دنباله اخبار اسپانیا و تکرار آزمایش در بخش شرور در می یابیم که انتخاب جدید قاب کلید عملکرد بهتری دارد اولین قاب ، همانطور که در شکل 4.1 نشان داده شده است. از آنجا که طرح های قبلی نیز وجود داشته است با استفاده از اولین قاب به عنوان یک قاب کلیدی ، ما باید مقایسه کنیم استراتژی استخراج فریم کلیدی ما با آنها. برای هر شلیک ، ما محاسبه بهینه قاب تک کلید مطابق با معیار وفاداری در مردان-مندرج در بخش 4.2.2. ما با یافتن وفاداری هر یک از آنها محاسبه می کنیم فریم های ویدیو ، و سپس پیدا کردن فریم با بهترین وفاداری. ما از وفاداری قاب بهینه فوق الذکر به عنوان نیمکت استفاده می کنیم - با اندازه گیری تفاوت برای استراتژی استخراج کلید-کلید ما علامت گذاری کنیددر d s h بین قاب بهینه کلید به دست آمده از طریق جامع محاسبه ای که قبلاً ذکر شد و فریم کلیدی که از طریق ما بدست آمده است استراتژی مبتنی بر حرکت-فعالیت ارائه شده است. ما یک کار مشابه را انجام می دهیم همچنین برای استراتژی مبتنی بر فریم اول. ما خودمان را به تصویر می کشیم نتایج در جدول 4.1. توجه داشته باشید که استراتژی ما فریم های کلیدی تولید می کند که در وفاداری تقریباً بهینه هستند. علاوه بر این ، کیفیت تقریبی با افزایش شدت فعالیت حرکتی تخریب می شود. در دیگر کلمات ، متوجه می شویم که استراتژی ما نزدیکترین کلید بهینه را- استخراج فریم از نظر وفاداری در حالی که از محاسبات بسیار کمتری استفاده می شود.این به ما انگیزه می دهد تا یک استراتژی تقریباً بهینه جدید ارائه دهیم ، یعنیبسیار شبیه به نمونه برداری مبتنی بر فعالیت است که در بخش بعدی ارائه شده استپکر و همکاران ، 2001به شرح زیر است. برای دریافت n فریم کلیدی ، ویدیو را تقسیم کنید در مقیاس فعالیت حرکت تجمعی به n قسمت مساوی بروید. سپس از قاب در وسط مقیاس فعالیت حرکت تجمعی استفاده کنید هر یک از بخشها به عنوان یک قاب کلیدی بدست می آیند ، بنابراین n قاب اصلی بدست می آید. توجه داشته باشید که n استراتژی استخراج قاب-کلید ما بصورت خطی مقیاس می شود و n برخلاف محاسبه جامعی که قبلاً توضیح داده شد ، و در پیچیدگی به دلیل رشد تعداد کاندیداهای اصلی ترکیبات به همین دلیل است که ما n قاب خود را مقایسه نمی کنیم.101استراتژی با معیار جامع. ما استراتژی خود را در نشان می دهیمشکل 4.3 توجه داشته باشید که معیار وفاداری قابل قبول ما با n ترکیب شده است استراتژی فریم یک راه حل ساده و م toثر برای این دو اساسی را فراهم می کند مشکلات استخراج صفحه کلید:• یک عکس به تعداد فریم های کلیدی مورد نیاز برای قابل قبول وفاداری؟• چگونه تعداد مورد نیاز فریم های کلیدی را تولید کنیم؟2.3یک اصلاح پیشرفته سادهاستخراج پیشرفته قاب کلید برای مرور تعاملی مهم است از آنجا که کاربر ممکن است بخواهد شرح مختصری را که دارد بیشتر شرح دهد قبلاً گفته شده از آنجا که استخراج فریم کلیدی ما تدریجی نیست ، بنابراین اصلاح تدریجی روش ما را پیشنهاد دهید. ما در ابتدا قاب ، و سپس آخرین قاب را به عنوان قاب اصلی بعدی انتخاب کنید زیر ادر بیشترین فاصله از فریم اول قرار دارد. ما این منطق را داریم به جلو که ما با انتخاب کلید میانی فریم های بعدی را محاسبه می کنیم- قاب در فضای فعالیت تجمعی به عنوان سومین قاب اصلی ، و به صورت بازگشتی نسخه اصلاح شده کمی نسبت به نسخه اصلی ما پایین است تکنیک اما این مزیت را دارد که مترقی است.در شکل 4.2 ، ما یک نتیجه معمولی را نشان می دهد. ما رویکرد خود را با چندین خبر امتحان کرده ایم برنامه ها از منابع مختلفDivakaran] و همکاران ، 2002؛ دیواکاران و همکاران ،[20013 لاغری با سرعت ثابت با استفاده از حرکت فعالیت3.1مقدمهدر بخش قبلی نشان دادیم که شدت فعالیت حرکتی است یا) سرعت) یک سکانس ویدیویی به خوبی نشان می دهد "خلاصه سازی- خسته کننده است. "در اینجا ما با تنظیم نرخ فریم پخش ، یا بانرخ زیر نمونه گیری زمانی این مفهوم را ایجاد می کنیم .سرعت خلاصه به همین ترتیب است پارامتری که امکان تولید خلاصه ویدیویی از هر مورد دلخواه را فراهم می کند طول در هر صورت قسمتهای کمتر فعال توالی در a پخش می شوند نرخ فریم سریعتر یا قسمتهای کمتر فعال توالی زیر نمونه هستند به مراتب بیشتر از قسمتهای فعال تر ، بنابراین به عنوان خلاصه ای تولید می شود با سرعت ثابت ایده اصلی این است که از موارد جالب کمتر عبور کنیددر قسمتهایی از فیلم.1023.2 زیر نمونه برداری یا فعالیت دائمی فعالیت پخش عادییک روش بی رحمانه برای خلاصه کردن ویدیو پخش سریعتر آن استدقت کنید که این را می توان به عنوان زیرشاخه یکنواخت نیز مشاهده کرد نمونه گیری چنین پخش سریع تأثیر نامطلوبی به علت سرعت زیاد دارد تمام قسمتها را به یک اندازه سرعت بدهید ، بنابراینمشاهده قسمتهایی که حرکت بالا دارد سخت می شود، در حالی که سرعت حرکت قسمتهای کم را به اندازه کافی افزایش نمی دهید. این نشان می دهد که یک روش مفید تر برای پخش سریع بازی است فیلم را با سرعتی که یک سطح قابل مشاهده و ثابت را فراهم می کند ، برگردانید فعالیت حرکتی بنابراین ، بخشهای کم فعالیت باید باشند برای رسیدن به سطح مورد نیاز فعالیت حرکتی ، در حالی که بخشهای با فعالیت زیاد به سرعت قابل توجهی کمتر نیاز دارند .به عبارت دیگر ، سرعت قطعات کند را بیشتر می کنیم نسبت به قطعات سریع. این را می توان به عنوان بازی تطبیقی ​​مشاهده کرد.تغییر سرعت برگشت بر اساس فعالیت حرکتی یا فعالیت عادی شده پخش تفسیر دیگر می تواند از نظر دید باشد یا "پهنای باند ادراکی."کارآمدترین راه برای پخش فیلم این است از پهنای باند ادراکی فوری استفاده کنید ، همان چیزی است که پخش مداوم فعالیت به دست می آورد. ما حدس می زنیم که حرکت فعالیت اندازه گیری پهنای باند ادراکی به عنوان یک پسوند منطقی است از مفهوم فعالیت حرکتی به عنوان معیاری از جمع بندی می باشد. بدست آوردن در هنگام پخش فیلم ، یک سطح فعالیت مشخص وجود دارد ، ما باید آن را اصلاح کنیم .سطح فعالیت ما ابتدا فرض کنید که شدت فعالیت حرکت متناسب باشدبا اندازه بردار حرکت. بنابراین ، ما باید حرکت را اصلاح کنیم - برای تغییر سطح فعالیت. ما می توانیم دو راه داشته باشیم برای رسیدن به این:افزایش / کاهش نرخ پخش فریم - طبق گوش ما - فرض لیور ، شدت فعالیت حرکتی به صورت خطی افزایش می یابد با نرخ فریم. بنابراین می توانیم به یک حرکت مطلوب برسیم فعالیت برای یک بخش ویدیویی به شرح زیر است:نرخ فریم پخش = (نرخ اصلی فریم) * (سطح دلخواه ماه)فعالیت عملیاتی / سطح اصلی فعالیت حرکتی) زیر نمونه برداری از توالی ویدئو) تفسیر دیگری از این قبیل پخش به این صورت است که نمونه برداری فرعی از قابهای سازگار است بخشهایی که قسمتهای کم فعالیت در آنها زیر نمونه برداری می شود بیشتر است- این تفسیر مخصوصاً در صورت نیاز به جمع بندی لازم است103ویدئو از راه دور واقع شده است ، زیرا ما اغلب توانایی پهنای باند را نداریم لازم است که در واقع ویدیو با سرعت بیشتری پخش شود. در هر دو حالت بالا ، سپس خلاصه طول توسط طول خلاصه = (مجموع فعالیتهای قاب) / فعالیت مورد نظر توجه داشته باشید که ما هنوز میزان فعالیت حرکت را مشخص نکرده ایم.واضح ترین انتخاب ها میانگین اندازه بردار حرکت و واریانس اندازه بردار حرکت [ژانین و دیواکاران ،2001؛ Peker and Divakaran، 2001[ با این حال ، بسته به برنامه. تغییرات زیادی وجود دارد به عنوان مثال ، ما می توانیم از اندازه بردار حرکت متوسط ​​به عنوان اندازه گیری فعالیت حرکت ، به همین ترتیب برای انتخاب بخشهایی با مناطق متحرک با اندازه و فعالیت قابل توجهاستفاده کنیم.به عنوان مثال دیگر ، ما می توانیم از اندازه کوتاهترین حرکت استفاده کنیم بردار به عنوان اندازه گیری فعالیت حرکت ، بنابراین به عنوان بخش های با استفاده از حرکت جهانی قابل توجه اندازه بردار حرکت متوسط ​​خطی مناسبی را فراهم می کنداندازه گیری فعالیت حرکتی. کاهش زمان پخش اختصاص یافته توسط a فاکتور دو ، به عنوان مثال ، متوسط ​​بردار حرکت را دو برابر می کند متوسط بردار حرکت قدر R از این ویدئو ورودی از فریم N می تواند به صورت زیر بیان شود:?که در آن میانگین اندازه بردار حرکت i من r i است . برای یک تار- از سطح فعالیت حرکت R هدف در خروجی ویدیو، رابطه بین طول L خروجی فیلم خروجی و طول L ورودی از فیلم ورودی را می توان به صورت زیر بیان کرد:?در حالی که بازی در یک فعالیت ثابت مورد نظر از نظر تئوری امکان پذیر است ، در عمل به درون یابی فریم ها یا کاهش سرعت نیاز داردنرخ بیشترین فریم پخش شده درهر زمان مساوی فعالیت نسبت به سطح مورد نظرچنین رویکردی خود را به تولید یک پیوستار از طول خلاصه نمی دهد که از کوتاهترین خلاصه ممکن تا دنباله اصلی گسترش می یابدخودش بحث قبلی به ما انگیزه می دهد تا طبقه نمونه برداری را تغییر دهیم- برای دستیابی به حداقل سطح فعالیت تضمین شده در مقابل یک سطح ثابت از فعالیت ، بنابراین ما می توانیم یک پیوستار از mariesاز سکانس خلاصه خود آن گرفته تا یک تک104خلاصه قاب با حداقل فعالیت تضمینی ، ما سرعت بخشیدن به قسمتهای فیلم ورودی که از هدفگذاری شده کمتر است حداقل فعالیت درسایت حرکت R هدف به طوری که آنها حرکت هدف قرار رسیدن فعالیت با استفاده از فرمولهای فوق. قسمتهای فیلم ورودی که بیش از فعالیت حرکت هدفمند باشد ، می تواند بدون تغییر باقی بماند. در یک حد ، جایی که حداقل فعالیت تضمین شده برابر است حداقل فعالیت حرکتی در فیلم ورودی ، کل فیلم ورودی فیلم خروجی می شود. هنگامی که حداقل فعالیت تضمین شده است مشکل از حداکثر فعالیت حرکتی فیلم ورودی بیشتر است به حالت فعالیت ثابت فوق کاهش می یابد. در آن سوی دیگر ، کجا سطح هدفمندی فعالیت بسیار بالا است ، فیلم خروجی شامل فقط یک فریم از فیلم ورودی در نتیجه نمونه برداری پایین یا سریع است بازی. طول فیلم خروجی با استفاده از حداقل فعالیت تضمینی رویکرد را می توان به شرح زیر تعیین کرد. ابتدا همه فریم ها را طبقه بندی کنید از فیلم ورودی به دو مجموعه. مجموعه اول S بالاتر شامل تمام فریم ها استj که فعالیت حرکتی برابر یا بیشتر از هدف باشد حداقل فعالیت مجموعه دوم S پایین شامل تمام فریم های k است فعالیت حرکتی کمتر از فعالیت حرکتی هدفمند است. سپسطول فیلم ورودی توسط:ورودی L = L بالاتر + L پایین تر .میانگین فعالیت حرکتی فریم های j که به مجموعه S پایین تعلق دارند است?و طول خروجی تبدیل شده است?اکنون مشخص شده است که رویکرد حداقل فعالیت تضمینی به رویکرد فعالیت ثابت کاهش می یابد زیرا وقتی L بالاتر می شود صفر ، کل فیلم ورودی باید پردازش شود.3.3 با چه سرعتی می توانید ویدیو را پخش کنید؟در حالی که از لحاظ تئوری امکان پخش فیلم با سرعت بی نهایت وجود دارد ، نرخ نیکیست موقتی سرعت بازی بدون آن را محدود می کند - مشاهده ناپذیر انسانی یک روش ساده برای تجسم این برای تصور یک سکانس ویدیویی است که انقلاب a استروبوسکوپ در نقطه ای که نرخ فریم برابر است با نرخ105انقلاب ، به نظر می رسد استروبوسکوپ ثابت است. بنابراین ، حداکثر سطح فعالیت حرکت مادر در بخش ویدیو سرعت آن را تعیین می کند قابل تغییر است .علاوه بر این ، با افزایش نمونه برداری فرعی ، ویدئوبخش به مجموعه ای از فریم های ثابت یا "نمایش اسلاید" کاهش می یابد. قاب اصلی ما از این رو روش استخراج بخش 4.2 نیز می تواند به عنوان یک اثر روش اصلی برای تولید نمایش اسلاید از آنجا که از حداقل تعداد ممکن استفاده می کند? از قاب ها بدیهی است که یک نقطه تلاقی وجود دارد که در آن بیشتر است کارآمد برای خلاصه کردن بخش ویدیو با استفاده از نمایش اسلاید به جای با یک فیلم یا خلاصه "متحرک میباشد.نحوه تعیین محل تلاقی یک مشکل باز است ما امیدواریم که در حال انجام این مشکل باشیم .شکل 4.4 تصویری از رویه نمونه برداری تطبیقی ​​خلاصه فیلم. ردیف بالا نمونه برداری فرعی از فیلم نظارت را نشان می دهد ، در حالی که پایین سطر نمونه برداری فرعی از فیلم نظارت را نشان می دهد. توجه داشته باشید که سازگار رویکرد tive وقایع جالب را ثبت می کند در حالی که نمونه برداری فرعی یکنواخت عمدتا بزرگراه را خالی می کند. معیار فعالیت حرکتی متوسط ​​است اندازه بردار حرکت در این حالت.3.4روش تجربی ، نتایج و بحثما سعی کرده ایم سرعت انعطاف پذیری در پخش را با استفاده از چادر و نتایج رضایت بخشی را بدست آورد. ما با تصاویر نظارتی متوجه می شویم از یک بزرگراه (به شکل 4.4 نگاه کنید) ، با استفاده از بردار حرکت متوسط tude به عنوان معیار فعالیت حرکتی ، ما قادر به تولید خلاصه هایی هستیم که با موفقیت از قسمتهایی که ترافیک ناچیزی است عبور کنید ، و بر روی قطعات دارای ترافیک قابل توجه تمرکز کنید. ما نتایج خوبی با واریانس اندازه بردار حرکت نیز هست.ما توانسته ای تمرکز بر روی قطعات با وسایل نقلیه بزرگ ، و همچنین در قطعات با ماشین سنگین106? خیالی توجه داشته باشید که رویکرد ما از نظر محاسباتی ساده است زیرا به آن متکی است توصیف کننده های ساده فعالیت حرکتی.شکل 4.5 فعالیت حرکت در مقابل شماره قاب برای چهار نوع مختلف فیلم چادر ، با روی هم قرار گرفتن نسخه های صاف و کوانتیزه شده: الف) گلف. ب) اخبار بخش. ج) فوتبال. د) بسکتبال.همانطور که توسط نتایج ما نشان داده شده است ، سرعت لاغری ثابت به ویژه است در نظارت و برنامه های مشابه که عکسها طولانی است مفید است و پس زمینه ثابت است.توجه داشته باشید که در چنین برنامه هایی ، مبتنی بر رنگ از معناشناسی می باشد. تکنیک ها در نقطه ضعف هستندو وقایع بسیار شدیدتر از ویژگیهای حرکت هستند نشان داده می شوند.107ما همچنین این روش را با فیلم ورزشی و با اخبار چادر با موفقیت متفاوت میباشد.هنگام مشاهده فیلم مصرف کننده مانند اخبار یا ورزش ، پرش سریع از بعضی قسمتها و مشاهده بعضی دیگر در حالت عادی سرعت ممکن است به تغییر مداوم سرعت پخش ترجیح داده شود.برای این منظور ، منحنی فعالیت را با استفاده از یک میانگین متحرک صاف می کنیم و مقادیر صاف شده را مشاهده کنید (شکل 4.5).در پیاده سازی های ما ، ما از مقداردهی دو سطح با میانگین فعالیت به عنوان آستانه استفاده کردیم برای اخبار و بسکتبال (شکل 4.5 b و d) ، ما دستی استفاده کردیم آستانه های انتخاب شده برای ویدیوی گلف ، قسمتهای کم فعالیت همان مکانهایی است که بازیکن آماده می کند برای ضربه او ، و پس از آن قسمت فعالیت بالا که در آن دوربین دنبال می شود توپ را بسته یا روی بازیکن بسته می شود. برای بخش اخبار ، ما قادر هستیم قسمت های مصاحبه از فیلم بیرونرا مشاهده کنیم .برای فوتبال ویدیو ، قبل از شروع بازی ، بخشهای کم فعالیتی را می بینیم و همچنین در طول بازی که در آن بازی قطع شده است. بسکتبال بازی ، در مقابل با فوتبال ، دارای فرکانس زیاد کم و زیاد است بخشهای فعالیت علاوه بر این ، قطعات کم فعالیت هنگام توپ هستند در یک طرف دادگاه است و بازی در حال انجام است ، و بالا است فعالیت بیشتر در هنگام کلوزآپ یا تغییرات سریع دادگاه رخ می دهد.از این رو ، در حالی که بعضی از قطعات کم فعالیت باید با سرعت نرمال بازی شوند از قسمتهای با فعالیت بالا می توان چشم پوشی کرد.به طور خلاصه ، می توانیم به یک معنایی دست پیدا کنیم تقسیم بندی انواع مختلف محتوا با استفاده از فعالیت حرکتی و استفاده دانش دامنه برای تعیین جایی که باید در حالت عادی جست و خیز یا پخش کرد سرعت. سپس ، بر این اساس می توانیم استراتژی اساسی خود را که در آن شرح داده شده ، سازگار کنیم بخش 4.3 ، برای انواع مختلف محتوا.بحث قبلی در مورد فیلم ورزشی نشان می دهد که کلید خلاصه فیلم ورزشی در واقع در شناسایی وقایع جالب است. این به ما انگیزه می دهد تا الگوهای زمانی فعالیت حرکتی را بررسی کنیم مرتبط با رویدادهای جالب در بخش 4.5.برای ویدیوی خبری ، شاید بهتر باشد از اسلاید شو بر اساس ما استفاده شود تکنیک استخراج قاب-کلید از آنجا که معناشناسی محتوا نیست به طور مستقیم با ویژگی های حرکت محتوا همراه است. با این حال، وقتی مرز معنایی محتوا مشخص شود ، بهترین عملکرد را دارد. در این حالت ، یک بخش معنایی را می توان به عکس و کلید تقسیم کرد - فریم های استخراج شده برای هر عکس به منظور تولید مجموعه ای از فریم های کلیدی برای کل بخش معنایی این به ما انگیزه می دهد تا به طور خودکار تحقیق کنیم تشخیص مرز معنایی ، یا موضوعی ویدیوی خبری وصوتی میباشد.در بخش 4.4.1084 مرور ویدیویی اخبار با کمک صوتی4.1 انگیزهتکنیک های خلاصه فیلم مبتنی بر فریم کلیدی بخش 4.2 بدیهی است که به خلاصه کردن تصاویر ویدئویی محدود شده است. ویدیو در ژن فیلم eral و به ویژه اخبار ، از چندین معنای متمایز تشکیل شده استواحدهایی که هر کدام به نوبه خود متشکل از عکس هستند.بسیار راحت تر است به نحوی واحد معنایی مورد علاقه را انتخاب کنیدو سپس خلاصه مبتنی بر فریم کلیدی آن را در زمان واقعی مشاهده کنید ، تشکیل دهید خلاصه ای از کل توالی ویدئو را بر اساس فریم کلیدی پاک کنید و سپس در خلاصه به دنبال واحد معنایی مورد علاقه خود بگردید. اگر لیست موضوعی استدر متا داده محتوا موجود است ، سپس مشکل پیدا کردن میباشد.مرزهای واحدهای معنایی از قبل حل شده است ، بنابراین کاربر می تواند ابتدا لیست موضوعات را مرور کنید و سپس خلاصه ای ایجاد و مشاهده کنید از موضوع مورد نظر اگر لیست موضوعی در دسترس نباشد ، مانند لیست در بیشتر مواقع ، مرزهای معنایی دیگر به آسانی دردسترس نیستند .سپس باید مرزهای معنایی / موضوعی را به صورت خودکار استخراج کنیم از نظر مادی کارهای گذشته در مورد سیستم های مرور ویدیوی خبری تأکید کرده است تشخیص مجری اخبار و تشخیص موضوع ، زیرا ویدیوی خبری معمولاً است از نظر موضوع مرتب شده و مجری خبر هر موضوع را در سایت معرفی می کند.بنابراین دانستن مرزهای موضوع کاربر را قادر می سازد تا کم و زیاد کند از طریق ویدیوی خبری از موضوع به موضوع دیگر تا زمانی که مورد نظر را پیدا کند موضوع ، که سپس می تواند با استفاده از یک پخش کننده ویدیوی معمولی تماشا کند. تشخیص موضوع بیشتر با استفاده از زیرنویس بسته در شکل گیری ، زیرنویس های جاسازی شده و متن به دست آمده از طریق گفتار به تنهایی یا در ترکیب با یکدیگر به عنوان مثال در این فیلم با استفاده از برخی یا تمام منابع فوق الذکر و سپس پردازش با استفاده از روشهای ابتکاری مختلف برای استخراج موضوع ها استفاده می شود وتشخیص مجری اخبار با استفاده از رنگ ، حرکت ، متن ویژگی های صوتی و صوتی به عنوان مثال ، در [وانگ و همکاران ، 2000[ وانگ و جدا کردن بلندگو را در آهنگ صوتی انجام دهید و سپس از آن استفاده کنید آهنگ بصری یا تصویری برای یافتن چهره متداول ترین بلندگوها یا "بازیگران اصلی". تفکیک بلندگو با اولین بندها انجام می شود-تقسیم بندی بخش های صوتی در دسته های گفتاری و غیر گفتاری. سپس بخشهای گفتاری برای آموزش مدلهای مخلوط گاوسی استفاده می شوند(GMM) برای هر بلندگو که جدا کردن بلندگو را از طریق اتصالات امکان پذیر می کند از هر بخش گفتار با GMM متفاوت است. تفکیک بلندگو خود موضوع تحقیق فعال بوده است. تکنیک ها بیشتر به استخراج ویژگی های صوتی سطح پایین دنبال می شوند توسط یک روش خوشه بندی / طبقه بندی.109جدایی بلندگو و شناسایی اصلی بازیگران یک راه حل ارائه می دهند مسئله تشخیص مرز موضوع. متاسفانه ،روشهای پیشنهادی در ادبیات از نظر محاسبات بسیار پیچیده است و از این رو به خوبی به سیستم های مرور ویدیوی مصرف کننده وام نمی دهند-در سیستم مرور ویدیو ، علاوه بر اصل ما همچنین می خواهیم شخصیت معنایی بیشتری را شناسایی کنیم اطلاعات دقیق براساس آهنگ صوتی مانند جنسیت بلندگو و همچنین جستجو برای صحنه های مشابه را بر اساس صدا انجام دهید.4.2تشخیص صدای تعمیم یافته MPEG-7بحث فوق به ما انگیزه می دهد تا قاب تشخیص صدا را امتحان کنیم- کار پیشنهادی کیسی [کیسی ، 2001] و مورد قبولMPEG-7 استاندارد در این چارچوب ، طیفهای دارای رتبه و خصوصیات انتروپیک ors برای آموزش مدلهای مخفی مارکوف برای صداهای مختلف از جمله گفتار ، گفتار مردانه ، گفتار زنانه ، پارس سگ ، شکستن شیشه و غیره آموزش بصورت آفلاین با داده های آموزش انجام می شود تا رده شناسایی شود تقسیم بندی با استفاده از الگوریتم Viterbi در HMM های مختلف انجام می شود ، که از نظر محاسباتی ارزان است. برای هر بخش صدا ، علاوه بر به شناسایی دسته صدا ، هیستوگرام درصد دو جیره مصرف شده در هر حالت HMM نیز تولید می شود. این هیستوگرام به عنوان یک بردار ویژگی جمع و جور عمل می کند که مطابقت شباهت را امکان پذیر می کند.4.3 شناسایی اصلی بازیگران اصلیتکنیکروش ما Divakaran] و همکاران ، 2003[ در شکل 4.6 نشان داده شده است. آی تی شامل مراحل زیر است:1- فعالیتهای حرکتی ، ویژگی های رنگی و صوتی را از اخبار استخراج کنید ویدئو2- از چارچوب شناسایی صدا و خوشه بندی همانطور که در تصویر نشان داده شده است استفاده کنیدشکل 4.6 برای یافتن تغییرات بلندگو.3- برای ادغام خوشه های بلندگو و شناسایی از حرکت و رنگ استفاده کنید سخنرانان اصلی مکان سخنرانان اصلی فراهم می کند.4- مرور مبتنی بر حرکت را که در بخشهای 4.2 و 4.3 شرح داده شده است اعمال کنید به هر موضوع در بخش زیر ، ما توصیف می کنیم برجسته کل سیستم.? 110شکل 4.6 استخراج ، طبقه بندی و تقسیم بندی ویژگی های صوتی برای بلندگو تشخیص تغییر4.3.1 تشخیص تغییر بلندگو با استفاده از تشخیص صدا و خوشه بندیصدای ورودی از اخبار پخش شده خراب است به کلیپ های فرعی با مدت زمان کمتر ، به طوری که همگن هستند. انرژی هر زیر گیره برای محاسبه و حذف بی صدا محاسبه می شود زیر کلیپ ها ویژگی های MPEG-7 از زیر کلیپ های بی صدا استخراج می شود و در یکی از سه کلاس صدا یعنی مرد ، زن طبقه بندی می شوندو گفتار با موسیقی در این مرحله ، همه بلندگوهای زن و مرد از هم جدا می شوند. متوسط ​​فیلم- tering برای از بین بردن تغییرات جعلی در بلندگوها انجام می شود. به ترتیب برای شناسایی بلندگوهای فردی در کلاس صدای زن و مرد ، یک مرحله خوشه بندی بدون نظارت بر اساس حالت MPEG-7 انجام می شود مدت توصیف هیستوگرام. این مرحله خوشه بندی برای شناسایی بلندگوهای زن و مرد را بعد از طبقه بندی همه زیردر یکی از سه کلاس صدا قرار می گیرد. سپس هر زیر کلیپ طبقه بندی شده است همراه با توصیف کننده هیستوگرام مدت زمان حالت.هیستوگرام مدت زمان حالت نیز می تواند به عنوان اصلاح شده تفسیر شود نمایندگی GMM. هر دولت در HMM آموزش دیده می تواند فکر شود به عنوان یک خوشه در فضای ویژگی ، که می تواند توسط یک گاوسی مدل شود.111توجه داشته باشید که هیستوگرام مدت زمان حالت نشان دهنده احتمال oc- است انحنای یک حالت خاص این احتمال را می توان به عنوان تفسیر کرد احتمال وجود یک م mixtureلفه مخلوط در GMM. بنابراین ، دولت دوام- توصیفگر هیستوگرام می تواند به عنوان نمایشی کاهش یافته در نظر گرفته شوداز GMM ، که در فرم غیر ساده آن شناخته شده است به عنوان یک سخنران مدل بیان خوب توجه داشته باشید ، از آنجا که هیستوگرام از HMM گرفته شده است ، بنابراین همچنین برخی از پویایی های زمانی را به دست می آورد که GMM نمی تواند. ما هستیم بنابراین انگیزه استفاده از این توصیفگر برای شناسایی خوشه های متعلق به بلندگوهای مختلف در هر کلاس صدا.?شکل 4.7 به عنوان مثال ساخت Dendrogram و تولید خوشه برای یک مجموعه ای مبهم از بخشهای گفتاری زنانهرویکرد خوشه بندی اتخاذ شده انباشتگی از پایین به بالا می باشدو ساخت قطره در این روش بر اساس ، ماتریس فاصله اولین است با محاسبه فاصله جفتی بین تمام گفته ها به دست می آید خوشه ای. معیار فاصله استفاده شده درKullback-Leibler است فاصله برای مقایسه دو تابع چگالی احتمال (pdf). مدل فاصله Kullback-Leibler بین دو pdf H و K به صورت زیر تعریف شده است در زیر:112?و 1 ≤ i ≤ تعداد سطل در هیستوگرامسپس یک ادندروگرام با ادغام دو نزدیکترین خوشه ساخته می شودبا توجه به ماتریس فاصله تا زمانی که فقط یک خوشه وجود داشته باشد. سپس، dendrogram برای بدست آوردن خوشه های بلندگوهای جداگانه بریده می شود (نگاه کنید به4.7)4.3.2 سطح دوم خوشه بندی با استفاده از حرکت و رنگ گفتگوهااز آنجا که خوشه بندی فقط در نر / ماده مجاور انجام می شود بخشهای گفتاری ، ما تقسیم بندی بلندگو را فقط در آن بخش به دست می آوریم از کل سابقه صوتی برنامه خبری. سطح دوم خوشه- برای ایجاد مکاتبات بین خوشه ها از دو قسمت مشخص نشانه های حرکتی و رنگی از این ویدئو استخراج شده است می تواند برای سطح دوم خوشه بندی استفاده شود. هنگامی که خوشه ها داشته باشند شناسایی بازیگران اصلی و از این رو معنایی آسان فاصله ها سپس ، ترکیبی از شناسایی اصلی بازیگران و خلاصه مبتنی بر حرکت هر بخش معنایی سریع و مرور موثر محتوای ویدیوی خبری را قادر می سازد.4.4 روش آزمایش و نتایج4.4.1 مجموعه دادهاز آنجا که اخبار پخش شده شامل سه خبر است کلاس های صدا یعنی گفتار مردانه ، گفتار زنانه و گفتار با موسیقی ، ما برای هر یک از کلاسهای صدا مثالهای آموزشی را از سه و a جمع آوری کرد نیم ساعت فیلم خبری از چهار کانال تلویزیونی مختلف به صورت دستی است.سیگنال های صوتی همه تک کاناله هستند ، 16 بیت در هر نمونه با نمونه گیری سرعت 16 کیلوهرتز بانک اطلاعاتی برای آموزش HMM ها به صورت تقسیم شده است90٪ -10٪ آموزش / تست برای اعتبار سنجی متقابل تنظیم شده است. توالی آزمون برای تشخیص تغییر بلندگو ، دو قطعه صوتی از تلویزیون پخش شد.خبر: News1 با مدت زمان 34 دقیقه و News2 با مدت زمان 59 دقیقه دقایق.4.4.2 استخراج ویژگی.سیگنال ورودی صوتی از برنامه خبری به بخشهایی از طول سه ثانیه و بخشهای خاموش تقسیم می شود منتها حذف می شوند برای هر بخش دوم بدون سکوت ، MPEG-7 ویژگی ها به شرح زیر استخراج می شوند. هر بخش به همپوشانی تقسیم می شود- فریم های پینگ با مدت زمان 30 میلی ثانیه با 10 میلی ثانیه با هم تداخل دارند قابها سپس هر فریم در یک تابع پنجره Hamming ضرب می شود:W من = (0 . 5 - 0 . 46 COS (2 πi / N )) ، من = 1 ... N ، که در آن N تعداد نمونه برداری است در پنجره پس از اجرای FFT بر روی هر قاب پنجره ای ،113انرژی در هر یک از زیر باند ها محاسبه می شود و بردار حاصل می شود بر روی 10 جز first اصلی هر کلاس صدا پیش بینی شده است. ما همچنین از دامنه فشرده ، شدت MPEG-7 استخراج می کنیم فعالیت حرکتی برای هر فریم P و یک هیستوگرام 64 بن رنگ برای هر یک من از جریان ویدئویی برنامه خبری فریم می گیرم.?جدول 4.2a نتایج طبقه بندی در News1 با میانگین نرخ شناخت= 80.384٪جدول 4.2b نتایج طبقه بندی در News2 با میانگین نرخ شناخت4.4.3 طبقه بندی و خوشه بندی.تعداد ایالتها در هر یک از HMM ها 10 انتخاب شده است و هر حالت توسط مدل سازی می شود یک گاوسی چند متغیره. توجه داشته باشید که هیستوگرام مدت زمان حالت توصیفگر تنها در صورتی به GMM مربوط می شود که ایالات HMM توسط آن نشان داده شود یک گاوسی واحد رمزگشایی Viterbi برای طبقه بندی ورودی انجام می شود حداکثر که با فیلتر متوسط ​​بر روی برچسب های بدست آمده دنبال می شود برای هر سه بخش دوم به منظور تحمیل تداوم زمان. برای هرمجموعه ای پیوسته از برچسب ها ، خوشه بندی تجمعی با استفاده ازمدت زمان توصیف هیستوگرام برای بدست آوردن دندروگرام همانطور که نشان داده شده است .در شکل 4.7. سپس دندروگرام در یک سطح نسبی خاص بریده می شود تا حداکثر ارتفاع dendrogram برای به دست آوردن بلندگو منفرد خوشه ها دقت رویکرد پیشنهادی برای تشخیص تغییر بلندگو به دو جنبه زیر بستگی دارد: دقت طبقه بندی HMMs آموزش دیده برای تقسیم صدای ورودی به زن و مرد کلاسهای گفتار ، و دقت رویکرد خوشه بندی برای شناسایی سخنرانان منفرد در یک مجموعه مجاور از گفته های مرد / زن.جداول 4.2a و 4.2b عملکرد طبقه بندی HMM روشن را نشان می دهد هر یک از آزمون ها توالی اخبار را بدون هیچ پردازشی پس از پخش پخش می کنند روی برچسب ها جداول 4.2a و 4.2b نشان می دهد که بسیاری از گفتارهای مردانه و زنانه گفتارها به عنوان گفتار با موسیقی طبقه بندی می شوند. این بخشها در واقع? 114جدول 4.2c دقت بلندگو تشخیص تغییر در دو اخبار آزمون توالی Num- از بلندگو تغییر تمبر زمان در حقیقت زمین. B تعداد تغییر بلندگو تمبرهای زمانی به دست آمده پس از مرحله خوشه بندی ؛ C تعداد بلندگو "TRUE" تغییر می کند تمبرهای زمانی؛ D دقت = [C] / [A] E Recall = [C] / [B]به بخشهای گفتار در فضای باز در اخبار پخش شده پاسخ دهید و داشته باشید به دلیل سر و صدای پس زمینه طبقه بندی اشتباه شده است. از آنجا که خوشه بندی فقط بر روی گفتار همسایگان زن و مرد انجام شد بخشها به جای کل ضبط صدا ، عملکرد سیستم tem حتی به عنوان سیستم تشخیص تغییر بلندگو ارزیابی می شود.دستیابی به تقسیم بندی در بخشهای کوچکتر. ما تغییر بلندگو را مقایسه می کنیم موقعیت های خروجی توسط سیستم در برابر تغییرات بلندگوی زمین ، و تعداد موقعیت های صحیح تغییر بلندگو را بشمارید. جدول 4.2c عملکرد روش خوشه بندی را در هر دو آزمون خلاصه می کند سکانس ها دقت الگوریتم پیشنهادی برای تشخیص تغییر بلندگو به دلایل زیر فقط برای هر دو برنامه خبری متوسط ​​است.روش هرس dendrogram اتخاذ شده برای تولید خوشه بود ساده ترین و به همین دلیل نتایج حاصل از این می تواند بهبود یابد اگر روش هرس گرم اتخاذ شد. برخی از تغییر بلندگوها سیستم بخاطر طبقه بندی غلط گفتار در فضای باز توسط سیستم از دست رفته است بخشهای گفتار با کلاس موسیقی. علاوه بر این ، هیچ پست پردازش بر روی برچسب های خوشه بندی برای ترکیب برخی از دانش دامنه حاشیه، غیرمتمرکز می باشد.به عنوان مثال ، یک دنباله برچسب خوشه ای مانند s1 ، s2 ، s1 ، s2؟ که در که بلندگوها به طور مکرر متناوب هستند ، در یک برنامه خبری بسیار بعید است و به معنای ساده این است که s1 و s2 متعلق به یک مجموعه بلندگو هستند - تر با این حال ، حتی با چنین دقت متوسطی در تحلیل صوتی نیز وجود دارد در زیر نشان داده شده است که با ترکیب نشانه های حرکت و رنگ از فیلم ، بازیگران اصلی برنامه خبری را می توان دریافت کرد.به منظور مکاتبه بین خوشه های بلندگو از بخشهای متمایز برنامه خبری ، ما هر خوشه سخنران را مرتبط می کنیم با هیستوگرام رنگی ، از یک قاب با فعالیت حرکتی کمتر به دست می آید از آستانه بدست آوردن فریم از توالی کم حرکت در باعث می شود اعتماد به نفس یکی باشد از یک توالی سر و شانه. مرحله دوم خوشه بندی بر اساس هیستوگرام رنگ به انجام می شود? شکل 4.8 سطح دوم خوشه بندی بر اساس هیستوگرام های رنگی قاب ها خوشه بلندگوهای مردانه115خوشه های به دست آمده از تجزیه و تحلیل صوتی خالص را ادغام کنید. شکل 4.8 نشان می دهد نتایج خوشه بندی سطح دوم. بعد از این مرحله ، خوشه های اصلی ریخته می شوند می توان خوشه هایی را نام برد که دوره های قابل توجهی را اشغال می کنند زمان یا خوشه هایی که در زمان های مختلف ، در طول اخبار ظاهر می شوند برنامه با توجه به مشکلات مربوط به حق چاپ ، متأسفانه نمی توانیم مواردی را نمایش دهیم از تصاویر مربوط به خوشه ها. در کارهای آینده امیدواریم برای استفاده از داده های دامنه عمومی مانند فیلم خبری از فیلم MPEG-7 مجموعه آزمایش.4.5 کار آیندهکارهای آینده ما در ابتدا بهبود طبقه بندی صوتی است با استفاده از آموزش گسترده تر دوم ، خوشه بندی را بیشتر بهبود خواهیم بخشید .با اجازه دادن به برش چند سطحdendrogram. سوم ، ما این کار را خواهیم کرد ترکیب فعالیت حرکت و رنگ را بیشتر افزایش دهید تا افزایش یابد قابلیت اطمینان از شناسایی اصلی بازیگران.1165 تشخیص نکات برجسته ورزشیاکثر تکنیک های استخراج هایلایت ورزشی به حرکت دوربین بستگی دارد ، و بنابراین برای موفقیت آنها نیاز به تخمین دقیق حرکت دارد.در دامنه فشرده ، از آنجا که بردارهای حرکت پر سر و صدا هستند ، دستیابی به چنین دقتی دشوار است. بحث ما در بخش 4.3.4 3.4 انگیزه ما را برای بررسی الگوهای زمانی فعالیت حرکت به عنوان یک به معنای تشخیص رویداد است زیرا محاسبه آنها ساده است. ما شروع می کنیم با طراحی استراتژی هایی برای ورزش های خاص بر اساس دانش دامنه.استفاده از فعالیت حرکتی به تنهایی باعث ایجاد بسیاری از موارد مثبت کاذب می شود برای ورزش های خاص سپس به ترکیب صوتی و تصویری ساده متوسل می شویم نشانه هایی برای از بین بردن موارد مثبت کاذب. نتایج ما با ترکیب نیز هست همانطور که نتایج بخش 4.4 ما را به استفاده از صدای تعمیم یافته ترغیب می کند چارچوب تشخیص به یک چارچوب استخراج برجسته واحد برای فوتبال ، گلف و بیس بال.بنابراین چالش فعلی ما ترکیب است ویژگی های بصری با چارچوب تشخیص صدا. ما امیدواریم که بسازیم بر اساس تجربه ما با ترکیب نشانه های سطح پایین توجه داشته باشید که این مشکل دارای دو قسمت است.تشخیص یک جالب است رویداد و سپس گرفتن کل مدت زمان آن. در این فصل ما تمرکز می کنیم در قسمت اول از آنجا که در برنامه های هدف ما ، ما قادر به حل قسمت دوم فقط با استفاده از یک رابط تعاملی است که اجازه می دهد تا سریع جلو و عقب5.1 موارد برجسته استخراج برای گلفدر Peker] و همکاران. ، 2002[ ما یک تکنیک ساده برای تشخیص گلف را توصیف می کنیم برجسته ها ما ابتدا توالی ویدئو هموار سازی فعالیت حرکتی را انجام می دهیم.در فیلم گلف ، ما به دنبال کشش های طولانی بسیار هستیم فعالیت کم و به دنبال آن فعالیت زیاد. اینها معمولاً با بازیکن که روی شوت خود کار می کند ، سپس ضربه می زند ، دوربین به دنبال او دنبال می شود توپ یا بزرگنمایی روی بازیکن. ما نکات جالب توجه را در فیلم گلف به این روشداریم.ما فقط یک توالی برجسته تولید می کنیم ادغام بخشهای ده ثانیه ای که از نکات جالب شروع می شوند علامت گذاری شده ما نتایج جالبی دریافت می کنیم اما برخی از رویدادها را از دست می دهیم ، به ویژه قابل توجه است این دکمه ها اغلب با حرکت سریع دوربین همراه نیستند.5.2 استخراج نکات برجسته فوتبالبرای بازی های فوتبال ، از محدودیت های خاص دامنه استفاده می کنیم به ما کمک کنید تا موارد برجسته را پیدا کنیم. شهود اساسی ما این است که یک جالب است این رویداد همیشه دارای اثرات مرتبط زیر است. بازی متوقف می شود و برای مدت زمان غیر پیش پا افتاده ای متوقف می شود و سر و صدای جمعیت بالا می رود یا در پیش بینی واقعه یا پس از وقوع آن.117این استراتژی ساده زیر را برای تعیین محل تخمین رویدادها یا موارد برجسته می باشد.مکانهای اوج میزان صدا را پیدا کنید. قله ها مربوط به افزایش سر و صدای جمعیت در پاسخ به این رویداد جالب است. در هر قله ، دریابید که آیا بازی قبل از آن متوقف شده یا متوقف مانده است برای مدت زمان غیر پیش پا افتاده به همین ترتیب بفهمید که آیا بازی بعد از آن متوقف شده است یا خیر قله و متوقف شد الحاق توقف قبل و پس از اوج صوتی ، اگر معتبر باشد ، برجسته مرتبط با آن را تشکیل می دهد اوج صوتی ما جزئیات محاسبه صدا را شرح می دهیمقله ها و الگوهای شروع و توقف فعالیت حرکتی در [کاباسون و دیواكاران ، 2003[5.2.1 نتایج تجربی.ما استراتژی خود را امتحان کرده ایمCabasson and Divakaran]، 2003[ با هفت بازی فوتبال از کره ، اروپا و ایالات متحده آمریکا از جمله فوتبال زنان بازی در می یابیم که فقط یک هدف را از دست می دهیم و همه اهداف دیگر را می گیریم گل در تمام بازی ها. ما همچنین چندین قسمت جالب دیگر را ضبط می کنیم از این بازی منجر به گلزنی نمی شود مانند تلاش در اهداف ، آسیب های اساسی و غیره.با وجود موفقیت آن در محتوای متنوع ، این تکنیک یک اشکال قابل توجه دارد که اعتماد آن به سطح پایین است ویژگی مانند میزان صدا ، که ممکن است همیشه شاخص خوبی برای آن نباشد معناشناسی محتوا بنابراین ما یک بار دیگر انگیزه می گیریم که متوسل شویم تشخیص صدای کلی.5.3 موارد برجسته مبتنی بر تشخیص رویدادهای صوتی استخراج از بیس بال ، گلف و فوتبال بازی ها در یک چارچوب متحدما یک رویکرد مبتنی بر طبقه بندی صوتی را توصیف می کنیم که در آن بخشهای تشویق و تشویق را به طور صریح شناسایی کنید و از آنها برای شناسایی استفاده کنید ما همچنین از چارچوب طبقه بندی صوتی خود برای تنظیم بررسی روش تلفیقی نشانه های صوتی و تصویری برای موارد برجسته ورزشی استخراج.5.3.1 چارچوب طبقه بندی صوتیسیستم با فشارهای سیستم عامل هدف ما وجود کاملاً مشخص را رد می کند الگوریتم برای هر ورزش و انگیزه ما برای بررسی یک واحد مشترک چهارچوب برجسته برای سه ورزش مورد علاقه ما ، گلف ، فوتبال و بیس بال از آنجا که صدا بهتر به استخراج محتوا کمک می کند معناشناسی ، ما با طبقه بندی صوتی شروع می کنیم. ما چارچوب مبتنی بر طبقه بندی صوتی را در شکل 4.9 نشان می دهیم.در حوزه صوتی ، رویدادهای مشترک مربوط به موارد برجسته وجود دارد در سراسر ورزش های مختلف بعد از یک ضربه جالب گلف یا بیس بال یا118? شکل 4.9 نکات برجسته چارچوب استخراج: ما تا حدی فیلم را درک کرده ایم و همجوشی احتمالی.با استناد به حمله فوتبال ، مخاطبان با کف زدن یا تشویق کردن مدت زمان تشویق و تشویق نشانه ای از"اهمیت" لحظه. می باشدعلاوه بر این ، در پخش فیلم ورزشی ، همچنین رویدادهای معمول مربوط به پیام های تجاری وجود دارد که اغلب شامل گفتار یا گفتار و موسیقی است. مشاهدات ما این است که تشویق و تشویق dience در ورزشهای مختلف بیشتر است سخنرانی هیجان انگیز گوینده است.بنابراین ما به دنبال صوتی قوی هستیم ویژگی ها و طبقه بندی کننده ها برای طبقه بندی و تشخیص علائم صوتی زیر nals: تشویق ، تشویق ، ضربه توپ ، موسیقی ، گفتار و گفتار با موسیقی. دو مورد اول برای استخراج برجسته و سه مورد دوم استفاده می شوند برای فیلتر کردن بخشهای غیر جالب استفاده می شود.ما یک صدای کلی به کار می بریم چارچوب تشخیص بر اساس HMM های آموزش دیده برای هر یک از کلاس ها. HMM ها بر روی ضرایب متناوب فرکانس مل(MFCC) کار می کنند. طول هر بخش 0.5 ثانیه است در حالی که هر فریم 30 میلی ثانیه است.دقت طبقه بندی ما بالا است و بنابراین ما انگیزه داریم برای استخراج برجسته ها بر اساس نتایج طبقه بندی. ما تشویق و تشویق مداوم یا بدون وقفه را جمع می کنیم. ما تمام بخشهایی را که درصد معینی از حداکثر هستند ، حفظ می کنیم مدت زمان تشویق و تشویق. گزینه پیش فرض ما 33٪ است. توجه داشته باشید119?جدول 4.3. نتایج طبقه بندی برای چهار بازی. [1]: بازی گلف 1؛ [2]: بازی گلف2 [3] بازی بیس بال ؛ [4] بازی فوتبال. [A]: تعداد تشویق و تشویق tions (NACP) در مجموعه حقیقت زمینی ؛ [B]: NACP توسط طبقه بندی با پردازش پس از.[C]: تعداد واقعی ACP توسط طبقه بندی کننده ها. [D]: دقیق[E]: به ​​یاد بیاوریدبا پس از پردازش [F]: NACP توسط طبقه بندی کننده ها بدون پردازش پس از آن ؛ [G]: به ​​یاد بیاورید بدون پردازش پس از آن.که این به ما یک آستانه ساده می دهد تا بتوانید نکات برجسته را با آن تنظیم کنید استخراج برای مرور تعاملی.می باشددر آخر ، ما یک زمان تنظیم شده از پیش تنظیم شده اضافه می کنیم- یون به دو انتهای هر بخش انتخاب شده برای ارائه ارائه نهایی تمبرهای زمانی سپس ارائه شامل پخش فیلم است و از طریق یک جفت مهر زمان مربوط به یک برجسته و سپس رفتن به جفت بعدی.می باشدتوجه داشته باشید که مدت زمان تشویق / تشویق همچنین تولید موارد برجسته ورزشی با طول دلخواه به شرح زیر است: ما می توانیم همه را مرتب کنیمبخشهای تشویق / تشویق به ترتیب نزولی مدت. سپس با توجه به بودجه زمانی ، ما می توانیم آن را با بازی هر بخش پایین تر صرف کنیم لیست کنید تا بودجه تمام شود. در حالی که تکنیک فوق نویدبخش است با توجه به اینكه در جدول مشاهده می شود ، هنوز جای پیشرفت دارد4.3 اول ، دقت طبقه بندی باید بهبود یابد. دوم ، ما- مدت زمان کف زدن به تنهایی ساده است.قدرت اصلی آن است که از این تکنیک برای سه ورزش مختلف استفاده می کند. از آنجا که ما انجام می دهیم انتظار نمی رود فقط از افزایش دقت طبقه بندی سود بالایی کسب شود ، انگیزه دارند که نشانه های بصری را با طبقه بندی صوتی ترکیب کنند امیدواریم که در بازده استخراج برجسته سود بیشتری کسب کنیم.5.4 کار آیندهدر تحقیقات مداوم ، ما پیشنهاد می دهیم قدرت معنایی را ترکیب کنیم طبقه بندی صوتی با سادگی محاسباتی فناوری- موارد توصیف شده در بخش 4.5.بنابراین ما انگیزه داریم که ترکیبی از طبقه بندی صوتی را بررسی کنیم کاتیون با تطبیق الگوی فعالیت حرکتی. ما خودمان را به تصویر می کشیم چارچوب کلی در شکل 4.9. توجه داشته باشید که طبقه بندی صوتی و استخراج ویژگی های ویدئویی هر دو نامزد های ورزشی بالا - چراغ ها سپس پیشنهاد می کنیم برای انتخاب صحیح از همجوشی احتمالی استفاده کنیم.120همچنین توجه داشته باشید که استخراج ویژگی پیشنهادی ویدیو ادامه دارد فراتر از الگوهای فعالیت حرکتی که قبلاً توضیح دادیم. تکنیک های پیشنهادی ما دارای مزیت سادگی و عملکرد منصفانه هستند دقت در کارهای مداوم ، ما در حال بررسی روشهای پیچیده تری هستیم برای تلفیق ویژگی های دیداری و شنیداری است.6 اثر خلاصه نویسیاستفاده از گرفتن گلها در فوتبال به عنوان معیار دقت برجسته ها دارای مزیت بزرگ ابهام صفر هستند اما همچنین دارای اختلاف مزیت ناقص بودن از آنجا که سایر وقایع جالب دیگر را نادیده می گیرد که می تواند حتی جالب تر باشد.ما در حال کار هستیم در یک چارچوب برای ارزیابی دقت یک برجسته ورزشی از نظر از رضایت کاربر ، بنابراین برای به دست آوردن یک ارزیابی کامل تر. مثل چارچوب نیاز به یک آزمایش روانشناختی با دقت تنظیم شده دارد که یک حقیقت اساسی برای "جالب" و "غیر جالب" ایجاد می کند قسمتهایی از یک فیلم ورزشی.محتوای ساختار یافته تر مانند اخبار ، ارزیابی راحت تری را به همراه دارد موفقیت خلاصه نویسی با این حال ، توجه داشته باشید که وفاداری ما به عنوان مثال محاسبات مبتنی بر مسائل معنایی نیست.ارزیابی موفقیت معنایی یک خلاصه هنوز یک مشکل باز است اگرچه تکنیک هایی مانند ما بخشی از راه حل را ارائه می دهند.7 داده کاوی در مقابل فیلم کاوی: بحثسرانجام ما با توجه به مسئله موجود ، مسئله استخراج ویدئو را در نظر می گیریم تکنیک های داده کاوی.هدف اساسی داده کاوی این است که الگوهای پوشش در نتایجی که در اینجا ارائه کرده ایم ، تلاش کرده ایم برای کشف الگوها در محتوای دیداری و شنیداری از طریق بازیگران اصلی تشخیص ، برجسته سازی های ورزشی و محل قرارگیری قطعات "قابل توجه" از توالی های ویدئویی. توجه داشته باشید که در حالی که تکنیک های ما سعی در جلب رضایت دارند هدف از کشف الگو ، آنها به طور مستقیم از داده های مشترک استفاده نمی کنندتکنیک های استخراج مانند استخراج در سری های زمانی یا کشف ارتباط قوانین علاوه بر این ، در کار ما ، مرز بین تشخیص a الگوی شناخته شده و کشف الگو همیشه روشن نیست.برای مثال، به دنبال قله های صوتی و سپس الگوهای فعالیت حرکتی در اطراف آنها باشید می توان به عنوان صرفاً یافتن یک الگوی شناخته شده تصور کرد ، یا از سوی دیگر از طرف دیگر ، می توان به عنوان یک قانون ارتباطی شکل گرفته بین رویداد اوج صوتی و الگوی زمانی رویداد حرکت ، از طریق تجزیه و تحلیل آماری داده های آموزش.روش ما برای استخراج ویدیو این است که آن را به عنوان سازگار با محتوا تصور کنیم یا پردازش کور به عنوان مثال ، استفاده از قوانین ارتباط زمانی بیش از برچسب های چند نشانه ای می توانند الگوهای تکراری را به شما کمک کنند.121مرزهای معنایی محتوا را پیدا کنید. به همین ترتیب ، ما می توانیم استخراج کنیم سری زمانی ناشی از مقادیر فعالیت حرکتی فریم های ویدئویی. تجربه ما تاکنون نشان می دهد که تکنیک هایی که از آنها استفاده می کنند ویژگی های مکانی-زمانی محتوای چند رسانه ای بیشتر محتمل است .برای موفقیت نسبت به روشهایی که داده های ویژگی را به گونه ای رفتار می کنند که گویی داده های عمومی هستند داده های آماری چالش این است که به حداقل رساندن depen- تکنیک ها را با ایجاد انطباق پذیری با محتوا تا حد ممکن. ما اعتقاد داریم که اینجاست که چالش استخراج ویدیو وجود دارد.8 نتیجه گیریما تکنیک های خلاصه فیلم را بر اساس نمونه گیری در سال ارائه داده ایم شدت تجمعی فضای فعالیت حرکتی. قاب اصلی کشش با فیلم خبری به خوبی کار می کند و از نظر محاسباتی بسیار ساده است.بنابراین یک روش پایه برای جمع بندی فراهم می کند. برای خلاصه کردن واحدهای معنایی متمایز ، که ما را برای شناسایی انگیزه می دهد چنین واحدهایی با استفاده از تشخیص صدای کلیMPEG-7. ما همچنین به مسئله مرتبط اما متمایز نسل ورزشی بالابا توسعه تکنیک های مبتنی بر فعالیت حرکتی MPEG-7 ، روشن می شودتوصیف کننده این تکنیک ها از دانش دامنه برای شناسایی استفاده می کنندالگوهای زمانی مشخص از فعالیت حرکت زیاد و کم همراه با الگوهای صوتی که معمولاً با مونکات در فیلم ورزشی. ما با محاسبات کم نتایج امیدوار کننده ای می گیریم پیچیدگی چند راه مهم برای پیشرفت بیشتر وجود دارد از تکنیک های ما ابتدا می توان با کمک ویدیو مرور ویدیو کرد قوی تر و بیشتر از اطلاعات معنایی توسط طبقه بندی صوتی ارائه شده استفاده می شود. دوم ، ما باید سازگار با محتوا را توسعه دهیم تکنیک هایی که متناسب با تغییرات محتوا ، از ژانر به ژانر دیگر است یا درون یک ژانر سوم ، ما باید ترکیب ویروس را بررسی کنیم معناشناسی سلولی مانند تشخیص وقفه در بازی پیشنهاد شده در [زی و همکاران. ، [ 2002بنابراین چالش اصلی حفظ و تقویت توانایی ماست برای ایجاد سریع خلاصه هایی از هر طول دلخواه.سپاسگزاریهانویسندگان می خواهند از Padma Akella و Pradubkiat Bouk تشکر کنند - lee رای انجام طراحی اولیه و اجرای فیلم سیستم نمایش مرور ما همچنین می خواهیم از آنتونی تشکر کنیم وترو برای بحث ها و پیشنهادات بی شمار. ما می خواهیم تشکر کنیم دکترHuifang Sun برای راهنمایی و تشویق او. ما دوست داریم تا از دکتر تامی پون برای حمایت مشتاقانه و نظراتش تشکر کنم. ما همچنین می خواهیم از Shih-Fu Chang برای بسیاری از بحث های مفید تشکر کنیم و پیشنهادات ما می خواهیم از مایکل کیسی برای ارائه122با مهارت و نرم افزار طبقه بندی صوتی او. ما دوست داریم از همکاران ما دکتر توکومیچی موراکامی ، آقای تاکاشی کن و آقای کوهتارو آسایی برای حمایت و تشویق مداوم آنها ازسال ها. ما می خواهیم از همکارانمان دکتر Masaharu Ogawa تشکر کنیم ، آقای Kazuhiko Nakane ، آقای Isao Otsuka و آقای Kenji Esumi ، برای آنها برنامه ارزشمند نظرات و پیشنهادات گرا.منابعJeannin ، S. و A. Divakaran. توصیف کننده های حرکت بصری MPEG-7 ،معاملات IEEE در مدارها و سیستم های فناوری ویدیو ،جلد 11 ، شماره 6 ، ص 720-724 ، ژوئن 2001.Peker KA و A. Divakaran اندازه گیری خودکار شدت فعالیت حرکت بخشهای ویدیویی ، Proc. کنفرانس SPIE در مورد فروشگاه سن و بازیابی پایگاه های رسانه ای ، ژانویه 2001.Chang ، HS ، S. Sull و SU Lee ، طرح نمایه سازی ویدیوی کارآمد برای بازیابی مبتنی بر محتوا ، معاملات IEEE در مدارها و سیستم هاfor Technology Video، Vol. 9 ، شماره 8 ، صص 1269-1279 ، دسامبر 1999.Hanjalic A. و H. Zhang ، یک طرح یکپارچه برای ویدیوی خودکار انتزاع براساس تجزیه و تحلیل اعتبار خوشه بدون نظارت ، IEEE معاملات در مدارها و سیستم ها برای فناوری ویدیو ، جلد. 9 ،شماره 8 ، دسامبر 1999.Peker KA ، A. Divakaran و H. Sun ، سرعت لاغری و سرعت ثابت نمونه برداری فرعی از فیلم با استفاده از فعالیت حرکتی ، Proc. IEEE Interna- کنفرانس عملی پردازش تصویر (ICIP) ، تسالونیکی ، یونان ،اکتبر 2001Divakaran A. ، KA Peker and R. Radhakrishnan ، خلاصه فیلمبا توصیف حرکت ، مجله تصویربرداری الکترونیکی ، اکتبر 2001.Divakaran A. ، KA Peker و R. Radhakrishnan ، فعالیت مبتنی بر حرکت استخراج فریم های کلیدی از عکس های ویدئویی ، Proc. IEEE International کنفرانس پردازش تصویر(ICIP) ، روچستر ، نیویورک ، ایالات متحده آمریکا ، اکتبر-تا سال 2002 A. Hanjalic ، G. Kakes ، RL Lagendijk و J. Biemond ، Dancers: Delft سیستم پیشرفته بازیابی اخبار ، "در تصویربرداری لکترونیکی SPIE 2001:ذخیره سازی و بازیابی برای پایگاه های رسانه ای ، سان خوزه ، ایالات متحده آمریکا. ، 2001.RS Jasinschi ، N. Dimitrova ، T. McGee ، L. Agnihotri ، J. Zimmerman ،و D. Li ، پردازش چندرسانه ای یکپارچه برای تقسیم بندی موضوع وطبقه بندی ، در ICIP-2001 ، تسالونیکی ، یونان ، 2001 ، صص 366-369Divakaran A. ، R. Radhakrishnan ، Z. Xiong و M. Casey A Procedureبرای مرور به کمک صوتی ویدیوهای خبری با استفاده از صدای تعمیم یافتهشناخت ، Proc. کنفرانس SPIE در مورد ذخیره سازی و بازیابی برای من-پایگاه داده dia ، ژانویه 2003.خلاصه فیلم با استفاده از MPEG-7 Motion Activity و AudioPeker KA ، R. Cabasson و A. Divakaran نسل سریع ورزشموارد برجسته با استفاده ازMPEG-7 Motion Activity Descriptor، Proc. جاسوسیکنفرانس ذخیره سازی و بازیابی پایگاه های رسانه ای ، ژانویه2002Cabasson R. and A. Divakaran Extract Automatic of Soccer Videoبا استفاده از ترکیبی از ویژگی های حرکت و صوتی ، Proc را برجسته می کند.کنفرانس SPIE در مورد ذخیره سازی و بازیابی پایگاه های رسانه ای ، ژانویهیاری 2003ابزار تشخیص صدا Casey M. MPEG-7 ، معاملات IEEE در Cir-cuits and Systems for Video Technology، جلد 11، شماره 6، ژوئن 2001.وانگ Y. ، Z. Liu و JC. هوانگ ، تحلیل محتوای چندرسانه ای ، IEEEمجله پردازش سیگنال ، نوامبر 2000.Y. Rui ، A. Gupta و A. Acero ، به طور خودکار موارد برجسته را استخراج می کنندبرای برنامه های بیس بال تلویزیونی ، " هشتمین کنفرانس بین المللی ACM درچندرسانه ای ، ص 105–115 ، 2000.W. Hsu ، گزارش پروژه صوتی گفتار ، گزارش پروژه کلاس ، 2000 ،www.ee.columbia.edu/ ∼ وینستونL. Xie ، SF Chang ، A. Divakaran و H. Sun ، تحلیل ساختار جامعهفیلم cer با مدلهای مخفی مارکوف ، Proc. کنفرانس بین المللی درصوتی ، گفتاری و پردازش سیگنال ، (ICASSP-2002) ، مه 2002 ،اورلاندو ، فلوریدا ، ایالات متحده آمریکا.P. Xu ، L. Xie ، SF Chang ، A. Divakaran ، A. Vetro و H. Sun ، Algo-ریتم ها و سیستم تقسیم بندی و تجزیه و تحلیل ساختار در فوتبالویدئو ، مجموعه مقالات IEEE کنفرانس چند رسانه ای و نمایشگاه ، ص.928–931 ، 2001.L. Rabiner وB.-H. یوانگ ، مبانی شناخت گفتار ، Pren-سالن tice ، 1993Z. Xiong ، R. Radhakrishnan ، A. Divakaran و TS Huang ، Audioاستخراج از بیس بال ، گلف و بازی های فوتبال در یک چارچوب متحد ، ICASSP 2003 ، 6-10 آوریل ،2003مترجم : مصطفی دست غیبی شیرازیاستاد راهنما : استاد فخیمی دانلود فایل ترجمه به صورت pdfhttps://s19.picofile.com/file/8433881450/tarjome_mostafa_dastghbi_shirazi.pdf.htmlدانلود فایل کتاب به زبان اصلی به صورت pdfhttps://s19.picofile.com/file/8433883134/videoMiningBook.pdf.html مصطفی دست غیبی شيرازي مصطفی دست غیبی شيرازي Mon, 17 May 2021 13:37:07 +0430 https://virgool.io/@mostafa-dastghbi/tarjome-mostafa-to85wk04ksnc روش طراحی وب برای موفقیت بیشتر در کسب و کار10اگر ندانیدچه چیزی باعث ایجاد یک سایت موفق و ابتکاری می شود ، طراحی وب می تواند کار سختی باشد. آیا می دانید 48٪ از مردم معتقدند که طراحی وب سایت اولین موردمهم در یک تصمیم گیری در مورد اعتبار یک کسب و کار است؟ نکته اصلی انتخاب ب هترین روش طراحی وب است .مشتریان وب سایت خوب و بد را تشخیص می دهند و این مهم است که با طراحی وب سایت بد مردم را گیج و نا امید نکنیم و قطعاً نمی خواهید مشتریان چنین احساسی داشته باشند.ما قصد داریم به شما در مورد استانداردهای طراحی وب مانند جهت یابی، رنگبندی و بازاریابی از طریق شبکه های اجتماعی و ایمیل برای اطمینان از موفقیت بیشتر در کسب و کار و بهینه سازی آگهی ها ، راهکاری ارائه دهیم. همچنین نکاتی در مورد چگونگی جلوگیری از اشتباهات رایج در طراحی وب سایت مانند تأخیر در زمان بارگذاری سایت و چیدمان های اشتباه به شما خواهیم داد.ما لیستی از 10 تا بهترین روش های طراحی وب که لازم است برای موفقیت بیشتر درکسب و کار استفاده کنید ، تهیه کرده ایم.10 تا از بهترین روش طراحی وب سایت برای کسب و کار شما1.برند تجاری خود را ثابت نگه دارید .طراحی وب سایت فاقد از مارک تجاری ثابت ، کمی استرس زا و گیج کننده است. تعداد کمی وب سایت با نام تجاری ثابت وجود دارد. سخت است که بگویید رنگ مارک آنها چیست ، آرم آنها چگونه است ، چگونه موقعیت خود را تعیین می کنند یا حتی خدماتی را که ارائه می دهند.? از بهترین روش ها در طراحی وب سایت B2C و B2B این است که برند تجاری تمام وب سایت ثابت باشد. فقط از رنگها ، علائم و اصطلاحات نام تجاری از پیش تعیین شده در هر صفحه از وب سایت استفاده کنید. این امر همچنین در مورد تصاویر ، ایکون ها ، تایپوگرافی ها و فیلم ها نیز صدق می کند. برند باید در هر قسمت از سایت به وضوح دیده شود.2.CTA های قوی ایجاد کنید(CTA مخففCall to Action است. گذاشتن گزینه ای در پایین وب سایت مانند دریافت اخبار هفتگی که هر هفته ایمیلی را ارسال می کند )دو هدف اصلی یک وب سایت جذب بازار گسترده از هدف خود و آنچه شما به مشتری پیشنهاد می کنیدمیباشد. برای قوی تر شدن خود شروع به ثبت نام برای خبرنامه، یک مطالعه موردی دانلود کنید، یا راه اندازی مشاوره - هدف نهایی همیشه باید برای جلب بازدید کننده برای تکمیل عمل باشد. تماس قوی برای اقدام به تبدیل بازدید کنندگان وب سایت به مشتری یا مشتری جدید ضروری است.CTA های قوی باید در قدم های اول B2B انجام بگیرد نه در رده های بعدی . آنها باید در یک مکان مناسب در طرح قرار بگیرند که برای بازار هدف منطقی است. زمانی بازدید کننده از یک کسب وکار یا شرکت بیشتر آموزش می بیندکه به عنوان مثال ، دکمه "بیشتر بیاموزید" ممکن است در بالای صفحه قرار گیرد ، در حالی که دکمه "تماس با ما" ممکن است در انتهای صفحه قرار بگیرد ، این شیوه های طراحی وب را می توان برای هر برند یا صنعتی انجام داد.3. زمان بارگیری سریعوقتی یک ثانیه به سرعت بارگذاری صفحه اضافه شود می تواند باعث کاهش فروش تا 27٪ شود. در سال 2013 ، به طور متوسط اندازه وب سایت ها 32٪ رشد کرده است. وب سایت ها در حال بزرگتر شدن هستند و تحقیقات امروز نشان می دهد که تعداد زمان مناسب برای بارگیری در مقایسه با سه ثانیه فعلی نزدیک به دو ثانیه است. طبق آخرین مطالعات ، 47٪ بازدیدکنندگان انتظار دارند وب سایت در کمتر از 2 ثانیه بارگیری شود و اگر روند بارگیری بیش از 3 ثانیه طول بکشد ، 40٪ از بازدید کنندگان وب سایت را ترک می کنند. شرکت ها چه کاری می توانند انجام دهند تا بارگذاری صفحه به حداقل برسد؟در اینجا برخی از بهترین روشهای طراحی وب وجود دارد که کارشناسان ما در LYFE بازاریابی برای کاهش زمان بار شما اجرا می کنند:پیاده سازی شبکه تحویل محتوا (CDN) را در نظر بگیرید. پرونده های ثابت یک وب سایت - مانند CSS ، تصاویر و JavaScript - را می گیرد و آنها را در سرورهایی نزدیک به مکان فیزیکی کاربر هستند تحویل می دهند. از آنجا که سرورها به کاربر نزدیکتر هستند ، سریعتر بارگیری می شوند.برای کاهش اندازه تصاویر ، قالب های جدید تصویری را پیاده سازی کنید. گفته می شود که 61٪ از حجم صفحه یک وب سایت در رایانه ، تصاویر است. برای صرفه جویی در پهنای باند با جابجایی بین تصاویر با اندازه های مختلف و کیفیت های مختلف می توان به کاهش حجم تصویر 20٪ - 50٪ بدون کاهش کیفیت کمک کرد حافظه پنهان شما در نسخه مرورگر ذخیره شده و منابع استاتیک را ذخیره می کند ، فرایندی که سرعت صفحه را بسیار سریعتر می کند و تاخیر سرور را کاهش می دهد. هنگامی که یک کاربر از یک صفحه در وب سایت شما بازدید می کند ، معمولاً نسخه ذخیره شده ارائه می شود مگر اینکه از آخرین حافظه نهفته تغییر کرده باشد. با این کار تعداد زیادی از درخواست ها به سرور شما ذخیره می شود. و در نتیجه آن را سریعتر می کند.افزونه های خود را ارزیابی کنید. افزونه ها می توانند قابلیت ها و ویژگی های جدیدی را به وب سایت شما بیاورند ، اما هرچه تعداد افزونه های وب سایت شما بیشتر باشد ، كار بیشتری برای بارگیری باید انجام دهد.سرصفحه های پاسخ زنده HTTP را فعال کنید. درخواست های HTTP ساده است: آنها یک پرونده را می گیرند و می فرستند و سپس بسته می شوند. این ممکن است ساده باشد ، اما خیلی سریع نیست. Keep-live به مرورگر وب و سرور اجازه می دهد تا توافق کنند از یک اتصال برای گرفتن و ارسال چندین پرونده استفاده کنند.فشرده سازي را فعال كنيد . می توانید منابع را فشرده کنید تا تعداد بایت هایی را که یک صفحه از طریق شبکه ارسال می کند کاهش دهید. شما باید محتوای خود را برای فشرده سازی با ایجاد سازگاری در کد HTML و CSS خود بهینه کنید.نمی دانید چگونه به درستی کدگذاری کنید؟ جای نگرانی نیست ، کارشناسان ما در اینجا هستند تا به شما کمک کنند.4. سئو (بهینه سازی موتور جستجو)سئو یکی از بهترین روشهای ساده و موثر در طراحی وب است. این روش برای افزایش بازدیدکنندگان وب سایت شما با بدست آوردن جایگاه عالی در صفحه نتایج موتور جستجو SERP استفاده می شود. این کار را از طریق استفاده از یک عبارت واحد ، که به عنوان یک کلمه کلیدی شناخته می شود ، انجام می دهد که در سراسر محتوای شما قابل خواندن در سایت شما مي باشد .برای موتورهای جستجوگر ، درج همه برچسب ها و عناصر مهم سئو در صفحه ، از جمله نقشه سایت و XML ضروری است.اگر اصطلاحات فنی بیش از حد برای شما زیاد است؟ مشکلی نیست زیرا ما در سئو نیز تخصص داریم. اگر می خواهید وب سایت خود را بهینه کنید یا در پایین صفحه برای ما نظر بگذارید ، با یکی از اعضای تیم تماس بگیرید و خوشحال می شویم به آن پاسخ دهیم.5. موبایل دوستانهممکن است وب سایتی عالی بسازید که هنگام مشاهده در دسک تاپ یا لپ تاپ خوب به نظر برسد ، اما هنگام نمایش در تلفن همراه یا تبلت بسیار نامرتب ، نامنظم و پیمایش سخت می شود. اگر اين موارد را داشته باشید ، امتیازات بالقوه خود را از دست خواهید داد اگر محتوای سایت به درستی در دستگاه آنها نمایش داده نشود ، به طور متوسط از هر 10 مشتری 8 نفر از تعامل با آنها جلوگیری می کنند. ناامیدکننده است ، پس آیا آنها را سرزنش می کنید؟طراحی هوشمند به طور خودکار به اندازه مرورگر شما تنظیم می شود و یافتن اطلاعات لازم بدون استرس را برای کاربران وب سایت بسیار آسان می کند. یک طراحی هوشمند در خدمت همه دستگاه ها با کد مشابه است که برای هر اندازه صفحه تنظیم می شود. پیش بینی می شود دستگاه های تلفن همراه تا پایان سال 2018 به 79 درصد از استفاده جهانی اینترنت برسند ، این روزها یک طراحی وب سایت مناسب برای موبایل در حال تبدیل شدن به یک استاندارد است.طراحی هوشمند بخشی از بهترین شیوه های طراحی وب برای سالها بوده است. به عنوان مثال صفحه فرود LYFE را در نظر بگیرید. در هر دو نسخه دسک تاپ و موبایل ، اطلاعات مورد نظر خود را می گیرید اما از دو منظر سازگار:6. پیمایش آسان"اگر شما متوقف نشوید و هر چند وقت یک بار به اطراف نگاه نکنید ، زندگی بسیار سریع پیش می رود. کلمات احساسی از شخصیت محبوب کلاسیک دهه 80 Ferris Bueller ، اما وقتی صحبت از زمان بارگیری وب سایت می شود ، این نقل قول بی انتها به بي معناست است. هرچه زمان کمتری برای پیدا کردن آنچه مردم به دنبال آن هستند طول بکشد ، بهتر است. مردم انتظار دارند زمان بارگیری حداقل و ناوبری ساده باشد. بهینه سازی تجربه بیننده سایت شما باعث ایجاد تفاوت در بهترین روش های طراحی وب برای برند شما می شود.همچنین باید مطمئن شوید که مهمترین صفحات شما بیشترین قابلیت دسترسی را دارند. بیایید چند روش دیگر برای طراحی وب سایت را در نظر بگیریم:نوار منوی پیمایش خود را به 4-6 گزینه محدود کنید. 88٪ از وب سایت ها هدايت اصلی خود را در تير بالای هر صفحه قرار می دهند ، و این امر هدايت سطح بالا را به یک استاندارد طراحی وب تبدیل می کند.سرچ بار ها مهم هستند ، به ویژه برای سایت های دارای محتوای زیاد.اطلاعات تماس باید در گوشه سمت راست قرار داشته و به راحتی قابل مشاهده باشد.دکمه های مهم "بازگشت به بالا" به بیننده اجازه می دهد تا به قلب محتوا پیمایش کند و با کلیک یک دکمه بدون هیچ زحمتی برای پیمایش دستی تا پایان پشتیبان ، به بالا برگردد. به ما اعتماد کنید ، هیچ کس وقت این کار را ندارد.هميشه از خود علامت هايي بگذاريد تا بازدید کنندگان خود را از مکان خود مطلع کنيد. این امر خصوصاً در مورد وب سایت های تجارت الکترونیکی بیشتر صدق می کند ، زیرا این نوع سایت ها دارای تعداد بیشماری دسته بندی محصولات و زیرمجموعه هستند. این مورد در مورد وب سایت های دارای محتوای بسیار زیاد نیز صدق می کند. با علامت گذاري می توانید به راحتی به صفحه قبلی برگردید یا دسته خاصی را بررسی کنید. مانند علامت "شما اینجا هستید" که در بازارها می بینیم عمل می کند.7. بازار يابي ايميلياگرچه شکل قدیمی ترين شكل براي در ارتباط ماندن است ، بازاریابی از طریق ایمیل هنوز هم نقش اصلی را در نگه داشتن مشتریان و مشتریان بالقوه در جریان خدمات و محتوای شما بازی می کند. تجربه گذشته به ما نشان داده است که 77 درصد مدیران ترجیح می دهند ارتباطات بازاریابی را از طریق ایمیل به جای سایر اشکال بازاریابی دریافت کنند. بنابراین ، این به ما چه می گوید؟تبلیغات ایمیل شما نیز باید مرتبط باشد. ایمیل هاي یک سایت باید برای دسترسی و اتصال بی وقفه با سیستم بازاریابی و ایمیل شما همگام سازی شود. اطمینان حاصل کنید که لازم نیست مخاطب شما به دنبال ، نماد ثبت نام ایمیل برود. قرار دادن نماد در سرصفحه یا پاورقی هر دو بهترین روش طراحی وب است که می توانيد در نظر بگیرید.8. رسانه های اجتماعیهمه ما از قدرت موجود در رسانه های اجتماعی و روش های مختلفی که می توانیم از رسانه های اجتماعی خود برای تبلیغ مارک ها و محتوا استفاده کنیم ، آگاه هستیم. گفته می شود ، قطعاً باید در هر کجا که بتوانید حساب های اجتماعی خود را پیوند دهید. این می تواند شامل ایمیل های شما ، مقالات وبلاگ ، پست ها ، سایر بیوگرافی های اجتماعی و غیره باشد. براي اينكه بیشترین بازدید را برای سایت خود داشته باشید به تنهایی تقریباً این امر را به عنوان یک استاندارد و همچنین به عنوان یکی از بهترین شیوه های طراحی وب است توصیه می کنیم.از آنجا که آیکون های شبکه های اجتماعی شما مخاطبان شما را به خارج از وب سایت شما هدایت می کند ، این امر می تواند برای شما ترافیک ، افزایش نرخ گزاف گویی و نتایج آسیب زا باشد ، به همین دلیل توصیه می کنیم آیکون های شبکه های اجتماعی خود را در پایین صفحه سایت خود قرار دهید. به این ترتیب ، بازدیدکنندگان وب سایت احتمالاً قبل از اینکه نمادهای اجتماعی را پیدا کنند ، مدتی در سایت شما کاوش کرده اند و باعث می شود داده های انحرافی کمتری در معیارهای شما ایجاد شود.عکس های با کیفیتطبق گفته های هاب اسپات ، افراد می توانند حداکثر 65٪ اطلاعاتی را که برای مدت 72 ساعت بصورت تصویری نشان داده شده اند به یاد بیاورند در مقابل تنها 10٪ اطلاعاتی که برای مدت زمان مشابه می شنوندرا به ياد مي آورند. با داشتن 37٪ از جمعیت یادگیرنده بصری ، ارائه عکس و آرم با کیفیت بالا به مخاطبان شما کمک می کند تا لوگو و محتوای شما را به راحتی دريافت كنند.تصاویر با کیفیت بالا به شما کمک می کنند تا منجر شود به :به دست آوردن بازدیدهای بیشتر به سایت خود ، که به معنای فرصت بیشتر برای تبدیل شدن است!افزایش تعامل کاربر ، به این معنی که کاربران زمان بیشتری را در سایت شما سپری می کنند.کاهش نرخ پرش ، که به معنای ترافیک بیشتر و رتبه بندی بالاتر است!ایجاد پیوند بین مشتری و شرکت ، به این معنی که کاربران احتمالاً خدمات شما را انتخاب می کنند.طرح رنگوب سایت شما باید رنگ بندي و شخصیت برند شما را به وضوح نشان دهد . اگر پس زمینه و رنگ متن شما به اندازه کافی کنتراست ایجاد نکند ، مردم در خواندن محتوای شما مشکل دارند و از اینکه سایت شما از نظر بصری جذاب نیست ناراضی هستند. هرچه جذابیت بصری سایت شما بیشتر باشد ، به احتمال بیشتری مشتریان شما قادر به یادآوری مطالب شما خواهند بود.آیا شما از بهترین روش های طراحی وب استفاده می کنید؟وقت آن رسيده تا با ما و يك متخصص تماس بگیرید تا ما بتوانیم این روند را ساده کنیم. همه چیز در مورد طراحی، سریع ، نوآورانه و زیبایی پسند است. اجرای این استانداردها به عنوان یک تاکتیک بازاریابی می تواند تأثیر بسزایی در موفقیت کسب و کار شما داشته باشد. با توجه به اینکه 94٪ افراد از طراحی وب به عنوان اصلی ترین دلیل بی اعتمادی یا رد کردن یک وب سایت نام برده اند ، بسیار مهم است که شما از این بهترین روش های طراحی وب استفاده کنید و تغییرات لازم را شروع کنید.اگر هنوز در مورد بهترین شیوه های طراحی وب سايت سوالی دارید یا به طور کلی در مورد وب سایت خود سوالي داريد ، در صورت تمایل سوال خود را در نظرات زیر قرار دهید. ما تمام تلاش خود را خواهیم کرد تا به آن پاسخ دهیم.آیا شما ترجیح می دهید با کسی صحبت کنید؟ مشکلی نیست زمانی را برای گفتگو با کارمندان در نظر بگیرید. ما معمولاً می توانیم تماس شما را ظرف یک ساعت انجام دهیم.لينك ويديويي آپارات :https://www.aparat.com/v/FL5p8منبع ترجمه : https://www.lyfemarketing.com/blog/web-design-best-practices/ مصطفی دست غیبی شيرازي مصطفی دست غیبی شيرازي Sun, 29 Nov 2020 14:23:53 +0330