历史影片中的摄像机运动分类：深度视频模型的比较研究

摄像机运动传递视频内容所必需的空间信息和叙事信息。虽然近期的摄像机运动分类（CMC）方法在现代数据集上表现良好，但其对历史影片的泛化能力尚未得到探讨。本文首次系统评估了深度视频 CMC 模型在档案馆电影材料上的表现。我们概述了代表性的方法和数据集，突出了模型设计和标签定义之间的差异。对五种标准视频分类模型在包含专家标注的二战影片数据集（HISTORIAN）上的评估表明，最佳表现模型——Video Swin Transformer——达到80.25%的准确率，尽管训练数据有限，仍显示出强大的收敛潜力。我们的发现凸显了将现有模型适应低质量视频的挑战与潜力，并激励未来工作结合多样化的输入模态和时序架构。