面向自动新闻视频分割的图像、视频与音频分类器的比较分析

新闻视频需要高效的内容组织和检索系统，但其非结构化的特性为自动化处理带来了显著挑战。本文提出了关于自动新闻视频分割中图像、视频与音频分类器的全面比较分析。本工作开发并评估了多种深度学习方法，包括ResNet、ViViT、AST以及多模态架构，用于对五种不同的片段类型进行分类：广告、故事、工作室场景、转换和可视化。我们使用由41个新闻视频组成、包含1832个场景剪辑的自定义标注数据集。实验结果表明，图像基分类器的性能优于更复杂的时序模型（准确率达84.34%）。值得注意的是，ResNet架构虽然超越了最新的视频分类器，却显著减少了计算资源的消耗。二元分类模型在转换（94.23%）和广告（92.74%）上的准确率很高。这些发现推动了对新闻视频分割有效架构的理解，为在媒体应用中实现自动化内容组织系统（包括媒体归档、个性化内容交付和智能视频搜索）提供了实用见解。