Una técnica de muestreo para categorizar videos

Abstract

Categorizar grandes cantidades de videos de manera automática tiene muchas aplicaciones; como por ejemplo: el monitoreo de sistemas de seguridad o la búsqueda de videos. Una de las técnicas usadas para realizar esta actividad es el aprendizaje automático, a pesar de la gran precisión del aprendizaje automático en esta tarea, el tiempo que requiere entrenar los modelos de clasificación es considerablemente grande. Este artículo describe una técnica de muestreo para reducir el tiempo que toma el entrenamiento de un clasificador de videos con el objetivo de mantener la precisión en la clasificación. La técnica consiste en utilizar aprendizaje automático para analizar solo una muestra del video y no así el video completo. Para entender el efecto del muestreo en el aprendizaje, se analizó un conjunto de videos de YouTube-8M, un conjunto de datos para clasificación de videos con más de siete millones de videos, utilizamos dos algoritmos de aprendizaje automático: regresión logística y red neuronal recurrente. Nuestros resultados muestran que, dependiendo del tamaño de la muestra, el tiempo de entrenamiento puede ser reducido considerablemente afectando levemente a la precisión.Automatically categorizing a large number of videos has many applications, for instance: security monitoring or video searching. Machine learning is one of the techniques that is used to automatically categorize videos. Beside the high precision of this technique, training a classification model may involve a large amount of time. This paper describes a sampling technique to reduce training time while keeping a reasonable precision. This technique uses machine learning to analyze only a sample of a video instead of its full content. To better understand the effect of the video sampling in the categorization, we analyzed a subset of videos from YouTube-8M, a video classification dataset with more than seven million of videos, we used two machine learning algorithms: logistic regression and recurrent neuronal networks. Our results show that depending of the sample size, the training time may be considerable reduced, slightly affecting the precision.