摘要

为视频中的特定帧或（短）片段分配重要性评分对于摘要生成至关重要，但也是一个具有挑战性的任务。以往的研究仅利用单一的视觉特征源。在本文中，我们提出了一种新颖的模型架构，该架构结合了三组特征来预测视觉内容和运动的重要性评分。所提出的架构在融合运动特征和表示（静态）视觉内容的特征之前采用了注意力机制，这些静态视觉内容特征是从图像分类模型中提取的。我们在两个知名数据集SumMe和TVSum上进行了全面的实验评估。在此过程中，我们发现了以往研究在使用这些基准数据集时存在的方法论问题，并提出了一个公平的评估方案及适当的数据划分方法，供未来研究使用。当采用静态和运动特征并行注意力机制时，我们在SumMe数据集上的结果优于现有最佳水平，而在另一个数据集上的表现则与现有最佳水平相当。