JP2021069117A - ローカライズされたコンテキストのビデオ注釈を生成するためのシステム及び方法 - Google Patents

Abstract

【課題】ローカライズされたコンテキストビデオ注釈のためのシステム、方法及びプログラムを提供する。【解決手段】ビデオ注釈システム１１０は、セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割し、セグメントの複数の入力モダリティを生成するためのそれぞれのセグメントを解析する。それぞれの入力モダリティは、セグメントのコンテンツの形態を示す。次いで、入力モダリティに基づいて、セグメントを一組の意味クラスに分類し、一組の意味クラスに基づいて、セグメントのための注釈を決定する。【選択図】図１Ａ

Description

（関連出願の相互参照）
本出願は、２０１９年１０月２２日に出願され、発明者Ｓｕｒｅｓｈ Ｋｕｍａｒ及びＲａｊａ Ｂａｌａによる「Ｐｅｒｓｏｎａｌｉｚｅｄ Ｖｉｅｗｉｎｇ Ｅｘｐｅｒｉｅｎｃｅ ａｎｄ Ｃｏｎｔｅｘｔｕａｌ Ａｄｖｅｒｔｉｓｉｎｇ ｉｎ Ｓｔｒｅａｍｉｎｇ Ｍｅｄｉａ ｂａｓｅｄ ｏｎ Ｓｃｅｎｅ Ｌｅｖｅｌ Ａｎｎｏｔａｔｉｏｎ ｏｆ Ｖｉｄｅｏｓ」と題する米国仮出願第６２／９２４，５８６号、代理人整理番号ＰＡＲＣ−２０１９０４８７ＵＳ０１の利益を主張するものであり、その開示は、参照により本明細書に組み込まれる。

（発明の分野）
本開示は、一般的に人工知能（artificial intelligence、ＡＩ）の分野に関連する。より具体的には、本開示は、ビデオからローカライズされたコンテキスト情報を取得し、ビデオの個々のセグメントに注釈付けするためにローカライズされたコンテキスト情報を利用するためのシステム及び方法に関する。

ビデオコンテンツ配信サービス（例えば、ＹｏｕＴｕｂｅ）及びストリームサービス（例えば、Ａｍａｚｏｎ Ｐｒｉｍｅ又はＮｅｔｆｌｉｘ）の指数関数的成長は、様々なビデオ（例えば、ビデオファイル又はストリーム）への容易なアクセスをもたらしてきた。視聴者は、一般に、特定の年齢層に対する評価及び適合性などの、ビデオと関連付けられたメタデータに関心を持ち得る。ビデオファイルがムービー又はテレビ番組である場合、視聴者はまた、ジャンル、評価、主人公、予告編、及びレビューにも関心を持ち得る。しかしながら、そのような情報は、ビデオの全体的な見解を示すことができ、また、ビデオがシーンからシーンへ進むにつれて、一時的な情報又はガイダンスを提供する。

更に、ビデオは、広告サポート形態で視聴者に提供され得る。しかしながら、ビデオに挿入される広告には、ビデオの先行セグメント（すなわち、広告の前に放送していたセグメント）に対していずれのコンテキストも有しない場合がある。ビデオセグメントは、視聴者の感情状態に影響を与え得るので、広告のコンテンツは、ビデオセグメントと関連付けられたコンテキスト情報を考慮することがなければ、視聴者の感情状態に好適ではない場合がある。その結果、広告の配置が逆効果になり得る。

グローバルなメタデータは、数多くの望ましい特徴をビデオコンテンツプロバイダにもたらすが、効率的な視聴及びマネタイゼーションに対するビデオのローカライズされたコンテキスト注釈を容易にする際に、いくつかの課題が未解決のままである。

本明細書に記載される実施形態は、ローカライズされたコンテキストビデオ注釈のためのシステムを提供する。操作中に、システムは、セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割し、セグメントの複数の入力モダリティを生成するためのそれぞれのセグメントを解析することができる。それぞれの入力モダリティは、セグメントのコンテンツの形態を示すことができる。次いで、システムは、入力モダリティに基づいて、セグメントを一組の意味クラスに分類し、一組の意味クラスに基づいて、セグメントのための注釈を決定することができる。注釈は、セグメントの意味コンテキスト情報を示すことができる。

この実施形態の変形例では、システムは、入力モダリティの分類を決定するために、対応する分類子をそれぞれの入力モダリティに適用することができる。続いて、システムは、複数の入力モダリティの分類に基づいて、セグメントの統一分類を決定することができる。次いで、システムは、統一分類に基づいて、セグメントの注釈を決定することができる。

更なる変形例では、システムは、複数の入力モダリティの分類を互いに融合させて統一分類を生成することによって、統一分類を決定することができる。

この実施形態の変形例では、複数の入力モダリティは、セグメントのオーディオ信号から分離されたビデオフレームを含む。次いで、システムは、ディープビジュアル分類子をビデオフレームに適用してセグメントのビジュアル分類を生成することによって、セグメントを分類することができる。

この実施形態の変形例では、複数の入力モダリティは、セグメントのビデオフレームから分離されたオーディオ信号を含む。次いで、システムは、オーディオ信号をバックグラウンド信号及び音声信号に分解することによって、セグメントを分類することができる。次いで、システムは、オーディオ分類子をバックグラウンド信号に適用して、セグメントのバックグラウンドオーディオ分類を生成することができる。システムはまた、感情分類子を音声信号に適用して、セグメントの感情分類を生成することもできる。

この実施形態の変形例では、複数の入力モダリティは、セグメントのオーディオビジュアル信号から分離されたテキスト情報を含む。次いで、システムは、セグメントの言語的音声を表す音声テキストを取得することによって、セグメントを分類することができる。次いで、システムは、テキスト情報を音声テキストと整列させ、整列させたテキストにテキストベースの分類子を適用して、セグメントのテキスト分類を生成することができる。

更なる変形例では、システムは、ムービーのスクリプトを取得し、更に、スクリプトを音声テキストと整列させることができる。

この実施形態の変形例では、システムは、複数の入力モダリティの分類からそれぞれの特徴埋め込みを取得し、特徴埋め込みを組み合わせて、統一埋め込みを生成することによって、セグメントを分類することができる。次いで、システムは、意味分類子を統一埋め込みに適用して、統一分類を決定することができる。

更なる変形例では、システムは、特徴連結を特徴埋め込みに適用することによって、特徴埋め込みを組み合わせることができる。

この実施形態の変形例では、注釈は、セグメントの意味コンテキスト情報を示す一組のキーを含むことができる。それぞれのキーは、値及び強度を含むことができる。値は、セグメントの特徴を示すことができ、強度は、値がセグメントと関連付けられる可能性を示すことができる。

この実施形態の変形例では、セグメント化ユニットは、ビデオのアクト、シーン、ビート、及びショットのうちの１つ以上であり得る。

この実施形態の変形例では、それぞれの意味クラスは、アクション、危険、ロマンス、フレンドシップ、及びアウトドアアドベンチャーのうちの１つに対応し得る。

本明細書に記載される実施形態は、ローカライズされたコンテキストビデオ注釈に基づいて広告を配置するためのシステムを提供する。操作中に、システムは、セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割し、セグメントの複数の入力モダリティを生成するためのそれぞれのセグメントを解析することができる。それぞれの入力モダリティは、セグメントのコンテンツの形態を示すことができる。次いで、システムは、入力モダリティに基づいて、セグメントを一組の意味クラスに分類し、一組の意味クラスに基づいて、セグメントのための注釈を決定することができる。続いて、システムは、広告を配置するための標的位置として、ビデオファイルのセグメント間のセグメント間可用性（inter-segment availability、ＩＳＡ）を識別し、ＩＳＡと関連付けられた一組のセグメントの注釈を広告システムに送信することができる。一組のセグメントは、ＩＳＡの先行セグメント及びＩＳＡの後続セグメントのうちの１つ以上を含む。

本明細書に記載される実施形態は、ローカライズされたコンテキストビデオ注釈に基づいた自由裁量の視聴を容易にするためのシステムを提供する。操作中に、システムは、セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割し、セグメントの複数の入力モダリティを生成するためのそれぞれのセグメントを解析することができる。それぞれの入力モダリティは、セグメントのコンテンツの形態を示すことができる。次いで、システムは、入力モダリティに基づいて、セグメントを一組の意味クラスに分類し、一組の意味クラスに基づいて、セグメントのための注釈を決定することができる。続いて、システムは、ビデオの視聴者から視聴選好を取得し、複数のセグメントの注釈に基づいて、複数のセグメントから一組の視聴セグメントを決定することができる。一組の視聴セグメントは、視聴選好に従う。

本出願の一実施形態による、ビデオのローカライズされたコンテキスト注釈を容易にする例示的なビデオ注釈システムを示す。

本出願の一実施形態による、例示的なビデオのローカライズされたコンテキスト注釈を示す。

本出願の一実施形態による、ビデオセグメントのマルチモーダルコンテキスト情報からの例示的な注釈生成を示す。

本出願の一実施形態による、ビデオセグメントと関連付けられた例示的なローカライズされた注釈を示す。

本出願の一実施形態による、分類ベースのマルチモーダル融合を使用して、ビデオセグメントのローカライズされたコンテキスト注釈を生成する例示的なプロセスを示す。

本出願の一実施形態による、埋め込みベースのマルチモーダル融合を使用して、ビデオセグメントのローカライズされたコンテキスト注釈を生成する例示的なプロセスを示す。

本出願の一実施形態による、ローカライズされたコンテキスト情報に基づく、ビデオの例示的な広告配置プロセスを示す。

本出願の一実施形態による、分類ベースのマルチモーダル融合を使用して、ビデオセグメントのマルチモーダル分類を生成する、ビデオ注釈システムの方法を示すフローチャートを示す。

本出願の一実施形態による、埋め込みベースのマルチモーダル融合を使用して、ビデオセグメントの統一分類を生成する、ビデオ注釈システムの方法を示すフローチャートを示す。

本出願の一実施形態による、ビデオセグメントの統一分類に基づいて注釈を生成する、ビデオ注釈システムの方法を示すフローチャートを示す。

本出願の一実施形態による、広告をビデオに配置するための注釈情報を提供する、ビデオ注釈システムの方法を示すフローチャートを示す。

本出願の一実施形態による、ビデオのローカライズされたコンテキスト注釈をサポートする、ビデオ注釈システムを容易にする例示的なコンピュータシステムを示す。

本出願の一実施形態による、ビデオのローカライズされたコンテキスト注釈を容易にする、例示的な装置を示す。

図面中、同じ参照番号は、同じ図形要素を指す。

以下の説明は、当業者が実施形態を製造及び使用することを可能にするために提示され、特定の用途及びその要件に関連して提供される。開示される実施形態に対する様々な修正は、当業者には容易に明らかとなり、本明細書に定義される一般原理は、本開示の趣旨及び範囲から逸脱することなく、他の実施形態及び用途に適用され得る。したがって、本明細書に記載される実施形態は、示される実施形態に限定されるものではなく、本明細書に開示される原理及び特徴と一致する最も広い範囲を与えられるものである。
概要

本明細書に記載される実施形態は、（ｉ）ビデオを有意なセグメントに分割し、それぞれのビデオセグメントのコンテンツを示す複数の入力モダリティを取得することによって、（ｉｉ）対応する形態の人工知能（ＡＩ）モデルを入力のそれぞれのモードに適用することによってマルチモーダルコンテキスト情報を測定することによって、及び（ｉｉｉ）マルチモーダルコンテキスト情報を統一して、統一されたコンテキスト情報を取得することによって、ビデオのそれぞれのビデオセグメントからローカライズされたコンテキスト情報を生成するという問題を解決する。

既存の技術の場合、いくつかのビデオ提供サービスは、しばしば、ビデオの検索及び読み出しのためのシーンレベルコンテンツの検出、要約、サブタイトルの位置合わせ、及びアクター識別情報を使用する。しかしながら、検出されたコンテンツは、その特定のシーンが子供の前で視聴するのに適しているか、又はシーン内に表される感情の種類に適しているかなどの、シーンのコンテキスト情報を表さない場合がある。その結果、視聴者がビデオ内の特定の種類のシーン（例えば、Ｒ指定のアクティビティ又は激しい戦闘シーン）の存在に気付き得る場合であっても、視聴者は、そのビデオを見る前にそのシーンの位置に気付かない場合がある。更に、一部のビデオプロバイダは、広告をビデオの特定の場所に挿入する場合がある。しかしながら、広告の前に再生されたビデオのコンテンツは、視聴者を、広告に適合しない又は好適ではない場合がある感情状態にする場合がある。

この問題を解決するために、ビデオ注釈システムは、１つ以上のシーンセグメント化技術を使用して、ビデオの個々のセグメントを識別することができる。システムは、各セグメントの開始及び終了タイムスタンプを決定することができる。セグメント化技術は、オブジェクト検出、集合論、及びディープニューラルネットワークのうちの１つ以上に基づくことができる。ビデオのセグメント（又はビデオセグメント）は、ビデオのアクト、シーン、ビート、又はショットに基づくことができる。次いで、システムは、それぞれのセグメントと関連付けられたコンテキスト意味情報を取得することができる。続いて、システムは、セグメントを分類し、分類に基づいてセグメントに注釈付けすることができる。例えば、システムは、セグメントと関連付けられた１つ以上のカテゴリによって決定することができる。したがって、システムは、それぞれの決定されたカテゴリ及びセグメントがそのカテゴリ内にある可能性をセグメントに注釈付けすることができる。次いで、注釈を使用して、ムービーを特定の観衆向きにパーソナライズすることができる（例えば、未成年者が存在する場合に、不適切なビデオセグメントをスキップすることができる）。

いくつかの実施形態では、システムは、複数の入力モダリティを決定することができ、これは、ビデオと関連付けられたマルチモーダル入力と称することもできる。そのような入力モダリティは、ビデオチャンネル、ビデオのオーディオ信号（例えば、バックグラウンド及び音声）、ビデオのテキスト情報（例えば、スクリプト及びサブタイトル）、並びにビデオの追加的なメタデータ（例えば、ビデオに埋め込まれた既知のメタデータ及び追加的な情報）を含むことができるが、これらに限定されない。システムは、対応する形態のＡＩモデルを入力の各モードに適用し、意味カテゴリに対応する分類を決定することができる。例えば、システムは、ディープビジュアル分類子をビデオチャンネルに適用して、ビデオセグメントの意味カテゴリを識別する（又は推定する）ことができる。同様に、システムは、自然言語処理（natural language processing、ＮＬＰ）をセグメントのスクリプトに適用して、意味カテゴリも推定することができる。このようにして、システムは、（すなわち、分類の複数のモードから）セグメントのマルチモーダル分類を取得し、同時推論をマルチモーダル入力からの分類に適用することによって統一分類を決定することができる。

次いで、システムは、それぞれのセグメントの注釈を決定し、注釈をビデオに組み込むことができる。注釈は、一組のキーの形態とすることができる。各キーは、セグメントと関連付けられたオブジェクト、ジャンル、コンセプト、又はアクションを示すことができる。キーはまた、評価、キャラクタの名称、及び位置を示すこともできる。各キーは、値及び強度によって表すことができる。それ故に、キーは、｛キー：（値、強度）｝の形態とすることができる。キーの値は、キーのタイプに依存することができる。例えば、キーがセグメントのカテゴリ（又はジャンル）である場合、値は、アクション、アドベンチャー、コメディ、クライム、ドラマ、ファンタジー、ホラー、ミュージカル、ミステリー、ロマンス、及びＳＦのうちの１つであり得る。強度は、所与の値（例えば、強度レベル又は信頼レベル）が存在する可能性を示す数字（例えば、０〜１）であり得る。

キーが意味カテゴリを表す場合、システムは、キーと関連付けられた意味カテゴリ（すなわち、値）の正規化された表現を生成することができる。更に、システムは、各キーと関連付けられた値の強度の正規化された表現を示すことができる。正規化は、１（又は１００）の値に基づくことができる。セグメントが特定のカテゴリにある可能性は、０〜１の小数値で表され、全てのカテゴリの小数値の和は１であり得る。特定のカテゴリと関連付けられた小数値は、注釈値と称することもできる。いくつかの実施形態では、セグメントと関連付けられた各注釈値は、独特な表現（例えば、色、フィルパターン、又は値を有する）で表して、注釈インジケータを生成することができる。続いて、システムは、注釈インジケータをビデオプロバイダに提供することができ、次いで、対応するビデオセグメントを有する注釈インジケータを示すことができる。

注釈は、視聴者のパーソナライズされた視聴オプションを容易にすることができる。視聴者は、特定のカテゴリに属するビデオのアイテムを自動的にスキップするように選択し得る。カテゴリを示す値の強度が閾値よりも大きい場合、システムは、セグメントがそのカテゴリに属すると判定し得る。それ故に、各セグメントは、複数のカテゴリに属し得る。視聴者はまた、特定の特徴にマッチするビデオの特定の部品を見ることも選択し得る。例えば、視聴者は、特定のアクターを有する、又は特定のアクションを有するセグメントのみを見ることを選択することができる。システムは、視聴者が、注釈の特定のキーの一組の値（例えば、一組のカテゴリ）を選択することを可能にし得る。次いで、システムは、カテゴリに対応するセグメントをスキップするか、それのみを示すことができる。システムは、それぞれのセグメントの開始及び終了タイムスタンプを維持することができる。その結果、選択されたセグメントのタイムスタンプが決定されるたびに、本システムは、開始及び終了タイムスタンプの間のセグメントをスキップするか、示すことができる。

更に、ビデオのコンテキスト的に関連する広告を配置するために、注釈を使用することができる。システムは、ビデオのセグメント間可用性（inter-segment availability、ＩＳＡ）（すなわち、セグメント間の利用できるスポット）を広告スポットとして識別することができる。ＩＳＡは、シーン間とすることができるので、広告のＩＳＡベースの配置は、ビデオ内の重要なシーケンス又はシーンを中断し得ない。その結果、広告の配置は、視聴者に生じさせるいらだちをより少なくし得る。アプリケーションを提供するビデオの管理者は、１つ以上の広告を示すためにビデオを停止させることができる回数を構成し得る。この数に基づいて、システムは、１つ以上のポリシーを使用して広告を配置するための一組のＩＳＡを推奨し得る。例えば、ポリシーは、手に汗を握る展開を回避する又は使用すること、シーンの断片化を回避すること、及び心地よい先行セグメントを含むことができる。

広告スポットが接近したときに、システムは、注釈を広告システム（例えば、広告交換及び／又はプラットフォーム）に提供することができる。注釈は、広告スポット（すなわち、ＩＳＡ）の先行及び後続のシーン、先行シーンの最後のビート、及び後続シーンの最初のビートと関連付けることができる。広告システムは、注釈と、利用可能な広告のコンテンツとを動的にマッチさせ、注釈に表されるコンテキスト情報にマッチする広告を配置することができる。代替的に、広告の所有者（例えば、保険会社）は、事業に関連するタグ（例えば、火事、爆発など）を購入することができる。注釈が特定のタグにマッチする場合、対応するスポットに広告を配置することができる。このマッチは、キーの値及び対応する強度に基づくことができる。このようにして、注釈は、ビデオのコンテキスト的に関連する広告の配置を容易にすることができる。
例示的なシステム

図１Ａは、本出願の一実施形態による、ビデオのローカライズされたコンテキスト注釈を容易にする例示的なビデオ注釈システムを示す。ビデオ管理環境１００は、アプリケーションサーバ１０４を含み、これは、ビデオコンテンツをホストすることができ、かつビデオ１４０をユーザ１５０に提供し得る１つ以上のアプリケーションをホストすることができる。例えば、アプリケーションは、ビデオ１４０をユーザ１５０のユーザデバイス１０６を提供するために、ビデオストリーミング又はテレビベースのコンテンツデリバリサービスを提供することができる。そのようなアプリケーションは、ビデオコンテンツ配送サービス、ビデオストリーミングサービス、テレビジョンサービス、及びバーチャル／拡張現実サービスプロバイダを含むが、これらに限定されない。アプリケーションサーバ１０４は、広告をビデオ１４０に組み込むことができる広告プロバイダと通信することができる。アプリケーションサーバ１０４は、ビデオ１４０などのビデオコンテンツ及び／又はビデオ１４０の広告コンテンツを記憶するためのデータベース１８２を維持することができる。アプリケーションサーバ１０４は、ローカル又はワイドエリアネットワークであり得るネットワーク１３０を介して（例えば、デバイス１０６から）到達可能であり得る。

既存の技術については、アプリケーションサーバ１０４上のアプリケーションは、ビデオ１４０のシーン１４２上のシーンレベルコンテンツ検出を使用し得る。シーンレベルコンテンツ検出を使用することで、アプリケーションは、ユーザデバイス１０６のディスプレイデバイス１０８からのビデオ検索及び取り出しを容易にすることができる。更に、アプリケーションはまた、シーン１４２と関連付けられた要約、サブタイトルの位置合わせ、及びアクター識別情報をデバイス１０６に提供することもできる。しかしながら、シーン１４２の検出されたコンテンツは、シーン１４２が子供の前で視聴するのに適しているか、又はシーン１４２内に表される感情の種類に適しているかなどの、シーン１４２のコンテキスト情報を表さない場合がある。

その結果、ユーザ１４０がビデオ１４０に現れ得る特定の種類のコンテンツ（例えば、Ｒ指定のアクティビティ又は激しい戦闘シーン）の存在に気付き得る場合であっても、ユーザ１５０は、シーン１４２などの特定のシーンのそのようなコンテンツに気付かない場合がある。更に、アプリケーションは、シーン１４２の後に、広告をビデオ１４０に挿入する場合がある。しかしながら、広告を表示する前に再生されたシーン１４２のコンテンツは、ユーザ１５０を、広告に適合しない又は好適ではない場合がある感情状態にする場合がある。

この問題を解決するために、環境１００は、ビデオ注釈システム１１０を含むことができ、これは、セグメントレベルのコンテキスト情報を決定し、その情報を使用して、ビデオ１４０のそれぞれのセグメントに注釈付けすることができる。システム１１０は、セグメント化モジュール１１２、分析モジュール１１４、及び注釈モジュール１１６を備えることができる。システム１１０は、随意に、広告モジュール１１８（破線で表す）を含み得る。セグメント化モジュール１１２は、ビデオ１４０のセグメント１４６及び１４８などの個々のセグメントを識別することができる、１つ以上のシーンセグメント化技術をサポート及び実装することができる。セグメントがシーンレベルで決定される場合、セグメント１４６は、シーン１４２と同じであり得る。

操作中に、セグメント化モジュール１１２は、ビデオ１４０の各セグメントの開始及び終了タイムスタンプを決定することができる。セグメント化技術は、オブジェクト検出、集合論、及びディープニューラルネットワークのうちの１つ以上に基づくことができる。ビデオセグメントと称することもできるビデオ１４０のセグメントは、ビデオ１４０のアクト、シーン、ビート、又はショットであり得る。次いで、分析モジュール１１４は、セグメント１４６と関連付けられたコンテキスト意味情報を取得することができる。続いて、分析モジュール１１４は、セグメント１４６を分類し、その分類に基づいてセグメント１４６に注釈付けすることができる。ここで、分析モジュール１１４は、セグメント１４６と関連付けられた１つ以上のカテゴリを決定することができる。

いくつかの実施形態では、分析モジュール１１４は、ビデオ１４０と関連付けられた複数の入力モダリティを決定することができる。そのような入力モードは、ビデオチャンネル又はビデオ１４０のフレーム、ビデオ１４０のオーディオ信号、及びビデオ１４０のテキスト情報を含むことができるが、これらに限定されない。オーディオ信号は、バックグラウンドサウンド及び音声の両方を含むことができ、テキスト情報は、ビデオ１４０のスクリプト及びビデオ１４０のサブタイトル（又は字幕）を含むことができる。セグメント化モジュール１１２は、それぞれの入力モードをセグメント化して、ビデオ１４０のビデオセグメントと整列させ、分析モジュール１１４のマルチモーダル入力セット１２０を生成することができる。例えば、セグメント化モジュール１１２は、セグメント１４６（例えば、シーン１４２）に属するビデオ１４０のビデオフレーム及びオーディオ信号をセグメント化して、それぞれ、ビデオフレーム１２２及びオーディオ信号１２４を決定することができる。同様に、セグメント化モジュール１１２は、ビデオ１４０のテキスト情報をセグメント化して、セグメント１４６と関連付けられたテキスト情報１２６を決定することができる。入力セット１２０はまた、セグメント１４６と関連付けられた追加的なメタデータ情報１２８（例えば、ビデオ１４０の既知のメタデータ及び追加的な埋め込み情報）を含むこともできる。このようにして、入力セット１２０は、複数の入力モダリティ又は入力モードを含むことができる。

分析モジュール１１４は、対応する形態のＡＩモデルを入力セット１２０の各入力モードに適用し、意味カテゴリへの対応する分類を示す意味コンテキスト情報を推定することができる。例えば、分析モジュール１１４は、ディープビジュアル分類子をビデオフレーム１２２に適用して、セグメント１４６のビデオ分類を推定することができる。分析モジュール１１４はまた、オーディオ分類子及び／又は音声認識をオーディオ信号１２４に適用して、セグメント１４６の音声分類を推定することができる。同様に、分析モジュール１１４は、ＮＬＰベースの分類子をテキスト情報１２６に適用して、セグメント１４６のテキスト分類を推定することができる。このようにして、分析モジュール１１４は、（すなわち、複数の分類モードから）セグメント１４６のマルチモーダル分類を取得することができる。次いで、分析モジュール１１４は、併せて、セグメント１４６のマルチモーダル分類（又は分類から取得されるそれぞれの埋め込み）から、融合又は統一分類を同時推論することができる。

統一分類に基づいて、注釈モジュール１１６は、注釈インジケータ１４４を生成して、それぞれの決定されたカテゴリ及びセグメント１４６がそのカテゴリにある可能性をセグメント１４６に注釈付けすることができる。注釈モジュール１１６は、セグメント１４６（例えば、シーン１４２）を示しながら、注釈インジケータ１４４をデータ構造内のセグメント１４６にマッピングし、及び／又は注釈インジケータ１４４をディスプレイデバイス１０８上に示し得る。次いで、ユーザ１５０は、注釈インジケータ１４４を使用して、セグメント１４６を見るかどうかを判定することができる。例えば、ユーザ１５０は、未成年者が存在する場合に、セグメント１４６をスキップし得る。

更に、広告モジュール１１８は、コンテキスト的に関連する広告をビデオ１４０に配置するために、コンテキスト情報を使用することができる。広告モジュール１１８は、ビデオ１４０内のＩＳＡを潜在的広告スポットとして識別することができる。ＩＳＡは、シーン間とすることができるので、広告のＩＳＡベースの配置は、ビデオ１４０内の重要なシーケンス又はシーンを中断し得ない。その結果、広告の配置は、ユーザ１５０に生じさせるいらだちをより少なくし得る。アプリケーションサーバ１０４上で動作しているアプリケーションの管理者は、１つ以上の広告を示すためにビデオ１４０を停止することができる回数を構成することができる。この数に基づいて、広告モジュール１１８は、１つ以上のポリシーを使用して広告を配置するための一組のＩＳＡを推奨し得る。例えば、ポリシーは、手に汗を握る展開を回避する又は使用すること、シーンの断片化を回避すること、及び対応する注釈によって示される心地よい先行セグメントを含むことができる。

ビデオ１４０のセグメント１４６と１４８との間のＩＳＡが広告スポットとして選択されたと仮定する。ビデオ１４０が動作中である間に広告スポットに接近してくると、広告モジュール１１８は、関連付けられたコンテキスト情報を広告プラットフォームに提供することができる。コンテキスト情報は、セグメント１４６及び１４８、セグメント１４６内の最後のビート、並びにセグメント１４８内の最初のビートと関連付けることができる。コンテキスト情報は、セグメント１４６及び１４８、セグメント１４６内の最後のビート、並びにセグメント１４８内の最初のビートの各々を表す１つ以上のキーワードを含むことができる。広告モジュール１１８は、コンテキスト情報を広告システム（例えば、広告交換及び／又はプラットフォーム）に提供することができ、これは、情報共有プロトコルに基づいてシステム１１０と通信することができる。プロトコルは、供給側及び／又は需要側の広告配置を容易にすることができる。

広告システムは、コンテキスト情報と利用可能な広告のコンテンツとを動的にマッチさせ、コンテキスト情報にマッチする広告を配置することができる。例えば、広告システムが広告交換である場合、広告システムは、コンテキスト情報を入札者に提供することができる。次いで、コンテキスト情報（例えば、キーワード）を使用して、ＩＳＡ内の正しい広告にマッチさせることができる。代替的に、広告の所有者は、事業に関連するタグを購入することができる。コンテキスト情報が特定のタグにマッチする場合、広告は、セグメント１４６と１４８との間の対応するスポットに配置されることができる。このようにして、広告モジュール１１８は、ビデオ１４０のコンテキスト的に関連する広告の配置を容易にすることができる。
セグメントレベルの注釈

図１Ｂは、本出願の一実施形態による、例示的なビデオのローカライズされたコンテキスト注釈を示す。ビデオ１４０は、アクト１５２を含む一組のアクトを含むことができる。アクトは、ビデオ１４０のストーリーアークを表すことができる。それぞれのアクトは、いくつかのシーンを含むことができる。シーンは、タイムフレーム及び／又は位置に関して制限されるアクションのユニットとすることができる。ビデオ１４０のアクションの時間又は位置が移動した場合、一般に、新しいシーンとみなされる。アクト１５２は、シーン１４２を含む一組のシーンを含むことができる。それぞれのシーンは、更にビートに分解することができる。この実施例では、シーン１４２は、ビート１５４を含むことができる一組のビートを含むことができる。それぞれのビートは、シーンと関連付けられたナレーションを表すことができる。それぞれのビートは、１つ以上のショットを含むことができる。各ショットは、ナレーションの一部分を含むことができる。ここで、ビート１５４は、ショット１５６を含む一組のショットを含むことができる。例えば、シーン１４２が教室に対応する場合、シーン１４２のビートは、指示を提供する教師を示すことができる。そのビートのショットは、指示の送達プロセス中に、学生の表情を示すことができる。

セグメント化ユニットが特定の階層要素に設定されたとき、セグメント化モジュール１１２は、ビデオ１４０のセグメント化を容易にすることができる。セグメント化モジュール１１２は、各セグメントがビデオ１４０の意味部分を表し、セグメント内でコンテキスト的に関連するような方法でビデオ１４０を分解し得る。したがって、それぞれのセグメントは、ストーリーの意味論的に有意なピースを提供することによって、ビデオ１４０のストーリーを進め得る。例えば、ビデオ１４０を分解するための意味コンテキスト方法がシーンによるものである場合、セグメント化モジュール１１２は、シーンに基づいて、ビデオ１４０をセグメント化することができる。したがって、ビデオ１４０のセグメント１４６は、シーン１４２を表すことができる。したがって、ビデオ１４０のそれぞれのセグメントは、シーンに対応することができる。セグメント化モジュール１１２は、シーン１４２を、シーン１４２内の物語ビートレベルで更に分解することができる。

分析モジュール１１４は、それぞれのセグメントと関連付けられたマルチモーダルコンテキスト情報を決定することができる。マルチモーダルコンテキスト情報は、セグメントの結合干渉から取得されるマルチモーダル分類を含むことができる。分析モジュール１１４は、随意に、セグメントの内のサブセグメントと関連付けられたコンテキスト情報を決定することができる。続いて、注釈モジュール１１６は、各セグメントに、対応するコンテキスト情報を注釈付けすることができる。例えば、分析モジュール１１４は、セグメント１４６（シーン１４２）と関連付けられたマルチモーダルコンテキスト情報１７０を決定することができる。次いで、注釈モジュール１１６は、セグメント１４６にコンテキスト情報１７０を注釈付けすることができる。

セグメント１４６に、対応するコンテキスト情報１７０を注釈付けするために、注釈モジュール１１６は、セグメント１４６のセグメント識別子１７２とコンテキスト情報１７０との間のマッピングを維持し得る。セグメント識別子１７２は、ビデオ１４０のビデオ識別子及びシーン１４２のシーン番号のうちの１つ以上を含むことができる。ビデオプロバイダアプリケーションは、そのデータベース（例えば、図１Ａのデータベース１８２）内のマッピングを維持することができる。コンテキスト情報１７０は、マルチモーダル分類（又は分類から取得されるそれぞれの埋め込み）を融合させる又は統一することによって生成される融合分類を含むことができる。

いくつかの実施形態では、コンテキスト情報１７０は、ビートレベルでコンテキスト情報を含むことができる。シーンレベルコンテキスト情報１７０は、必ずしも、対応するビートレベルコンテキスト情報の集合体又は複合体でない場合がある。例えば、シーン１４２（セグメント１４６）は、ビート１５４などのいくつかのビートに更に分解されることができる。分析モジュール１１４は、シーン１４２内のそれぞれのビートと関連付けられたマルチモーダルコンテキスト情報を決定することができる。次いで、コンテキスト情報１７０は、シーンレベル情報、及びビート１５４と関連付けられたビートレベル情報の両方を含むことができる。これは、システム１１０が、セグメント１４６と関連付けられたコンテキスト情報のより細かい分析を利用することを可能にする。

更に、ビジュアルキューをスクリーン上に提供するために、注釈モジュール１１６は、コンテキスト情報１７０から注釈インジケータ１４４と関連付けられた情報を生成し、生成された情報をセグメント１４６の識別子と関連付けて記憶し得る。次いで、システム１１０は、注釈インジケータ１４４をビデオプロバイダサービス（例えば、図１Ａのアプリケーションサーバ１０４上で動作しているアプリケーション）に提供することができる。ビデオプロバイダサービスは、注釈インジケータ１４４にシーン１４２を表示して、コンテキスト情報１７０のビジュアルキューを視聴者に提供し得る。

図２Ａは、本出願の一実施形態による、ビデオセグメントのマルチモーダルコンテキスト情報からの例示的な注釈生成を示す。セグメント１２０の入力セット１２０は、セグメント１４６と関連付けられたビデオフレーム１２２、オーディオ信号１２４、及びテキスト情報１２６を含むことができる。ビデオ１４０がムービーである場合、ビデオ１４０は、スクリプトを伴い得る。典型的に、スクリプトは、一連のシーンとして十分に構造化することができる。各シーンに対して、スクリプトは、位置及び時間を記載しているシーン番号及び見出しを含むことができる。例えば、ビデオ１４０が、第二次世界大戦に基づき得る「ムービーＸ」というタイトルのムービーである場合、セグメント１４６／シーン１４２は、ムービーＸのあるシーンであり得る。次いで、システム１１０は、パブリックにアクセス可能なリソース（例えば、ムービースクリプトを記憶するためのウェブリポジトリ）からムービーＸのスクリプトを取得することができる。

スクリプトをセグメント化することによって、次いで、セグメント化モジュール１１２は、シーン１４２と関連付けられたムービーＸのスクリプトのスクリプトセグメント２０４を含み得るテキスト情報１２６を生成することができる。スクリプトセグメント２０４は、シーン１４２がシーン７７の始まりであることを示すことができる。スクリプトセグメント２０４はまた、シーン１４２が第二次世界大戦の西部戦線の外部の位置にあると述べている見出しを含むこともできる。したがって、セグメント識別子１７２は、シーン番号７７を組み込むことができる。セグメント化モジュール１１２はまた、ビデオ１４０をセグメント化することによって、スクリプトセグメント２０４に対応するビデオセグメント２０２を取得することもできる。ビデオセグメント２０２から、セグメント化モジュール１１２は、ビデオフレーム及び対応するオーディオ信号を分離して、それぞれ、ビデオフレーム（又はビデオチャンネル）１２２及びオーディオ信号１２４を生成し得る。すなわち、セグメント（例えば、位置又は時間変化に基づいて定義されたシーン）の定義に基づいて、システム１１０は、ビデオフレーム、スクリプト（又は脚本）、ビデオのオーディオ、及び他のメタデータ情報の組み合わせを使用して、セグメント化を実行することができる。

ビデオがセグメント化されると、分析モジュール１１４は、ビデオフレーム１２２、オーディオ信号１２４、及びテキスト情報１２６にそれぞれのＡＩモデルを適用することによって、セグメント１４６と関連付けられたコンテキスト情報１７０を生成することができる。コンテキスト情報１７０は、複数の入力モダリティのそれぞれの分類を融合させることによって取得されるマルチモーダル分類を含むことができる。続いて、注釈モジュール１１６は、セグメント１４６に融合又は統一分類を注釈付けすることができる。セグメント１４６と関連付けられた注釈２１０は、一組のキー２１２、２１４、２１６、２１８、及び２２０を含むことができる。これらのキーは、シーン１４２及びシーン１４２内の１つ以上のビートと関連付けられた意味コンテキスト情報を表すことができる。それぞれのキーは、フォーマット｛キー：（値、強度）｝であり得る。例えば、キー２１２は、値２２２及び強度２２４を含むことができる。

キー２１２などのキーは、セグメント１４６と関連付けられた任意の意味コンテキスト情報を表すことができる。それ故に、キーは、新しいキーが加えられるにつれて拡張することができる拡張可能なリストとして表すことができる。典型的に、キー２１２は、セグメント１４６と関連付けられたオブジェクト、ジャンル、コンセプト、又はアクションを表すことができる。キー２１２はまた、評価、キャラクタ、及び位置を表すこともできる。キー２１２の値２２２は、キー２１２のタイプに依存することができ、また、セグメント１４６の特徴であり得る。強度２２４は、所与の値（例えば、強度レベル又は信頼レベル）が存在する可能性を示す数字（例えば、０〜１）であり得る。例えば、キー２１２がセグメント１４６のカテゴリ（又はジャンル）を表す場合、値２２２は、アクション、アドベンチャー、コメディ、クライム、ドラマ、ファンタジー、ホラー、ミュージカル、ミステリー、ロマンス、及びＳＦのうちの１つであり得る。一方で、キー２１２がセグメント１４６の評価を表す場合、値２２２は、バイオレンス、言語、ヌーディティ、及びホラーのうちの１つであり得る。

次いで、強度２２４は、カテゴリが特定のジャンルである可能性を示すことができる。したがって、値２２２が「アクション」である場合、強度２２４は、セグメント１４６がアクションジャンルである可能性を示すことができる。図２Ａに示すように、セグメント１４６がムービーＸの戦場シーンに対応する場合、強度２２４は、値２２２が「アクション」である場合、１に近くなり得る。次いで、セグメント１４６の例示的なキーは、｛「ジャンル」：（「アクション、０．７１）｝、｛「ジャンル」：（「コメディ」、０．３３）｝、｛「ジャンル」：（「親友」、０．２）｝、｛「オブジェクト」：（「人」、０．９）｝、｛「コンセプト」：（「戦争」、０．９５）｝、｛「アクション」：（「戦闘」、０．９）｝、及び｛「評価」：（「バイオレンス」、０．９）｝を含み得るが、これらに限定されない。ジャンルなどのいくつかのキーは、互いに排他的でない場合がある。例えば、セグメント１４６は、１つを超えるジャンルと関連付けることができる。

キー２１２、２１４、２１６、２１８、及び２２０が意味カテゴリ（例えば、ジャンル）を表す場合、注釈モジュール１１４は、キーと関連付けられた意味カテゴリ（すなわち、値）の正規化された表現を生成することができる。注釈２１０をセグメント１４６に組み込むために、注釈モジュール１１４は、各キーと関連付けられた値の強度の正規化された表現を示すことができる。キー２１２、２１４、２１６、２１８、及び２２０の値がカテゴリを表すことができるので、強度は、セグメント１４６がカテゴリに属する可能性に対応することができる。正規化は、１（又は１００）の値に基づくことができる。セグメント１４６が特定のカテゴリにある可能性は、注釈値によって０〜１で表され、全てのカテゴリの注釈値の和は１であり得る。いくつかの実施形態では、セグメント１４６と関連付けられた注釈値の各々は、独特な表現で（例えば、色、フィルパターン、又は値で）表現し、注釈インジケータ１４４内に表すことができる。続いて、システム１１０は、注釈インジケータをビデオプロバイダに提供することができ、次いで、セグメント１４６を有する注釈インジケータ１４４を表示することができる。

注釈２１０は、視聴者のパーソナライズされた視聴オプションを容易にすることができる。システム１１０は、ユーザが、注釈２１０の一組のキー２１２の値を選択することを可能にする。視聴者は、特定のカテゴリに属するビデオ１４０のアイテムを自動的にスキップすることを選択し得る。強度２２４が閾値よりも大きい場合は、そのセグメント１４６がキー２２２に対応するカテゴリに属することを示し得る。視聴者がカテゴリをスキップすることを望む場合は、ビデオ１４０を再生するときに、セグメント１４６を自動的にスキップすることができる。一方で、視聴者はまた、そのカテゴリに属するセグメントを見ることも選択し得る。そのような状況下で、ビデオ１４０を再生するときに、カテゴリに属するセグメントのみを再生することができる。システム１１０は、セグメント１４６の開始及び終了タイムスタンプを維持することができる。その結果、セグメント１４６をスキップするために、セグメント１４６の開始タイムスタンプが検出されるたびに、ビデオ１４０を終了タイムスタンプまでスキップすることができる。同様に、セグメント１４６を示すために、カテゴリに属する以前のセグメントが再生を終了するたびに、ビデオ１４０は、セグメント１４６の開始タイムスタンプから再生を続ける。

図２Ｂは、本出願の一実施形態による、ビデオセグメントと関連付けられた例示的なローカライズされた注釈を示す。ローカライズされた注釈は、シーンレベル注釈及びビートレベル注釈を含むことができる。これは、広告システムなどの異なるアプリケーションが注釈２５０を利用することができるような方法で、システム１１０が、ビデオセグメント２５０に注釈付けすることを可能にする。例えば、セグメント２５０の注釈は、セグメント２５６全体のセグメント注釈２５６、セグメント２５０の第１のビートの第１のビート注釈２５２、及びセグメント２５０の最後のビートの最後のビート注釈２５４を含むことができる。ビートレベルのキーは、セグメント２５０の対応するビートと関連付けられた意味コンテキスト情報を表すことができる。ここで、注釈２５４は、セグメント２５０の最後のビートと関連付けられた一組のキーを含むことができる。

注釈２５４のそれぞれのキーは、フォーマット｛キー：（値、強度）｝であり得る。例えば、注釈２５４のキー２６０は、値２６２及び強度２６４を含むことができる。次いで、注釈２５４の例示的なキーは、｛「オブジェクト」：（「人」、０．７）｝、｛「オブジェクト」：（「顔」、０．８５）｝、｛「ジャンル」：（「コメディ」、０．８５）｝、｛「コンセプト」：（「幸福」、０．９５）｝、及び｛「アクション」：（「微笑み」、０．８）｝を含み得るが、これらに限定されない。いくつかのキーは、互いに排他的でない場合がある。例えば、ビートは、１つを超えるオブジェクトと関連付けることができる。注釈２５４は、アプリケーションをコンテキスト方式で操作するのを補助することができる。アプリケーションが広告配置に関連する場合、アプリケーションは、注釈２５４によって、セグメント２５０が楽しい雰囲気で終了したと判断することができ、セグメント２５０の後に配置される任意の広告は、幸福の話であると語るはずである。したがって、セグメントレベル及びビートレベル注釈を組み合わせることは、セグメント２５０を効率的かつ正確にコンテキスト化することができる。
システムアーキテクチャ

図３Ａは、本出願の一実施形態による、分類ベースのマルチモーダル融合を使用して、ビデオセグメントのローカライズされたコンテキスト注釈を生成する例示的なプロセスを示す。システム１１０は、複数の入力モダリティを通じて同時推論から意味コンテキスト情報を推定することができる。操作中に、システム１１０は、入力ビデオ３００を取得することができる。次いで、システム１１０は、シーン（又はショット）セグメント化技術３０２を使用してビデオ３００を処理して、ビデオ３００を、セグメント３２０などの一組のセグメント（例えば、ビデオ３００の組成のシーン又はショット）に分離させることができる。ここで、セグメント３２０は、ビデオフレーム、オーディオ信号、及びテキスト情報を含み得る。システム１１０は、セグメント３２０を、ビデオフレーム３２２などの構成信号モダリティ、オーディオ信号３２４、及び利用可能であれば、サブタイトル／字幕３３６などのテキスト情報３２６に更に解析することができる。システム１１０は、オーディオ／ビデオ（ＡＶ）コンバータ及びサブタイトル抽出器などのビデオ編集ツールを使用して、それぞれのセグメントの解析操作を実行し得る。

代替的に、システム１１０は、ビデオ３００を解析して、ビデオ３００のビデオフレーム、オーディオ信号、及びテキスト情報を取得し得る。次いで、システム１１０は、ビデオ３００のビデオフレームを、そのうちの１つがビデオフレーム３２２であり得るいくつかのビデオフレームセグメントにセグメント化し、対応するタイムスタンプを決定することができる。次いで、システム１１０は、抽出されたオーディオ及びテキスト情報をセグメント化して、対応するビデオフレームセグメントと整列させ、それにより、オーディオ信号３２４及びテキスト情報３２６を生成することができる。

システム１１０は、ビデオ３００のスクリプト３３８などの外部の入力モダリティを更に組み込むことができる。スクリプト３３８は、テキスト情報３２６の他の形態とみなすことができ、よって、サブタイトル／字幕３３６及びスクリプト３３８を含むことができる。システム１１０は、ビデオフレーム３２２を処理することができ、これは、ビデオフレーム３２２内の画素データからシーンカテゴリ又はクラスを推論することができるディープビジュアルネットワーク３０４を含むことができる視覚認識技術を使用して処理される。ディープビジュアルネットワーク３０４は、畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）などのディープニューラルネットワーク（deep neural network、ＤＮＮ）を含むことができる。更に、時間的力学を捕捉するために、ディープビジュアルネットワーク３０４は、ＣＮＮと併せてリカレントニューラルネットワーク（recurrent neural network、ＲＮＮ）を含み得る。ディープビジュアルネットワーク３０４におけるＣＮＮ及びＲＮＮの組み合わせは、予めラベル付けした訓練データに基づいて、意味クラス、オブジェクト、及び／又はセグメント３２０内の人々を推論する（すなわち、対応するラベルを決定する）ように訓練することができる。検出されたクラス、オブジェクト、及び／又は人々は、セグメント３２０のビジュアル意味コンテキスト情報であり得る。

システム１１０は、ディープスタックオートエンコーダ３０６を含むことができる別個のオーディオ処理技術を使用して、順次的又は並列的にオーディオ信号３２４を分析することができる。オートエンコーダ３０６は、オーディオ信号３２４の潜在的低次元埋め込みを学習することができる。オートエンコーダ３０６は、音楽及び特殊効果などのバックグラウンドの非言語信号３３２、並びに人間の音声信号３３４をそれぞれ復元する、２つのデコーダストリームが続くエンコーダを含み得る。言語的及び非言語的な信号の分離は、シーン特性を決定するために使用することができる。例えば、バックグラウンド音楽は、しばしば、ジャンル、ペース、テンション、などを表す。訓練中に、オートエンコーダ３０６は、分離させたバックグラウンド信号３３２及び音声信号３３４を再混合するための暗黙的モデルに基づいて、オーディオ信号３２４を再構築するように学習することができる。混合モデルは、メル周波数セプストラル係数などの適切な表現に基づいて操作することができる。

続いて、システム１１０は、関連するシーン特性を推論する（すなわち、対応するラベルを決定する）ことができるオーディオバックグラウンド分類子３１２を使用して、バックグラウンド信号３３２を処理することができる。分類子３１２は、サポートベクタ−マシン又はランダムフォレストなどの機械学習技術と組み合わせて、スペクトログラムなどの入力ベースの特徴を含み得る。分類子３１２はまた、シーン特性を直接推論するために、エンドツーエンドのビデオ信号で訓練されたＤＮＮでもあり得る。分類子３１２はまた、ハイブリッドモデルを含むこともできる。ハイブリッドモデルは、ＤＮＮを使用して、判別可能な埋め込みを決定し得る。次いで、システム１１０は、差別的埋め込みを、ランダムフォレスト分類子などの非ディープラーナーに提供することができる。

一方で、システム１１０は、長短期メモリ（Long-Short-Term Memory、ＬＳＴＭ）に基づくＲＮＮなどのメモリ構成要素を有するＤＮＮを含むことができる音声認識技術３１４を使用して、音声信号３３４を処理することができる。音声認識技術３１４は、音声信号３３４からテキストを生成することができる。システム１１０は、音声認識技術３１４によって生成されたテキストに感情検出技術３１６を使用して、セグメント３２０の感情及び印象を推論することができる。更に、システム１１０は、音声認識技術３１４の代わりに、又はそれを強化するためにサブタイトル／字幕３３６を使用することができる。システム１１０は、単語／語句位置合わせ技術３１８を使用して、音声認識３１４、サブタイトル／字幕３３６、及びスクリプト３３８の組み合わせから、テキストを整列させ、強化することができる。次いで、システム１１０は、整列させたテキストをテキストベースのシーン分類子３３０に、入力として提供することができる。

分類子３３０は、整列させたテキストから、セグメント３２０と関連付けられた心理、感情、及びジャンルなどのコンテキスト情報を推論（すなわち、対応するラベルを決定）し得る、有意な埋め込みを抽出することができる。感情検出技術３１６及び／又は分類子３３０は、自然言語処理（ＮＬＰ）に基づくことができる。次いで、システム１１０は、分類子スコア溶融技術３１０に基づいて、ビジュアル、オーディオ、及びテキスト分類子の各々から分類、予測、及び／又はスコアを融合させ、セグメント３２０と関連付けられた複数の入力モダリティから同時推論されたコンテキスト情報を生成することができる。分類子スコア溶融技術３１０は、多数決分類及び／又は重み付き分類を使用して、セグメント３２０と関連付けられた分類を決定し得る。システム１１０の注釈モジュール１１６は、コンテキスト情報を取得し、セグメント３２０の注釈３４０を生成することができる。注釈３４０は、コンテキスト情報を表す一組のキーを含むことができる。システム１１０は、入力ビデオ３００のそれぞれのセグメントに対してこのプロセスを繰り返すことができる。

ここで、分類子スコア溶融技術３１０は、ビジュアル、オーディオ、及びテキスト分類子から生成される分類から取得される分類に適用される。したがって、分類子スコア融合技術３１０は、「後期融合」戦略とみなすことができる。個々の入力モダリティに基づいて分類に対して後期融合を実行する代わりに、システム１１０はまた、入力モダリティから前期又は中期レベルの埋め込みを融合させ、統一マルチモーダル分類子を融合マルチモーダル埋め込みに適用し得る。図３Ｂは、本出願の一実施形態による、埋め込みベースのマルチモーダル融合を使用して、ビデオセグメントのローカライズされたコンテキスト注釈を生成する例示的なプロセスを示す。ここで、システム１１０は、分類ベースのマルチモーダル融合の代わりに、埋め込みベースのマルチモーダル融合を使用することができる。

埋め込みベースのマルチモーダル融合は、セグメント３２０の入力モダリティの各々に対して導出されたベクトル埋め込みを取得し、それらをマルチモーダル埋め込みに融合させる。例えば、システム１１０は、ディープビジュアルネットワーク３０４からのビジュアル埋め込み３５２、オートエンコーダ３０６からのバックグラウンド信号埋め込み３５４、及びテキストベースの分類子３３０（例えば、ｗｏｒｄ２ｖｅｃ ＮＬＰモデル）からの単語埋め込み３５６を取得することができる。いくつかの実施形態では、システム１１０は、ＤＮＮを使用して、対応する分類子からの埋め込みを自動的に学習することができる。特定の入力モードと関連付けられた埋め込みが、対応する分類子の中間状態からユーザによって取得することができることに留意されたい。

次いで、システム１１０は、埋め込み融合／連結技術３６０をこれらの埋め込みに適用して、マルチモーダル埋め込み３５８を生成することができる。システム１１０は、ディープビジュアルネットワーク３０４、オートエンコーダ３０６、及びテキストベースの分類子３３０から特徴埋め込みを取得し、この埋め込みをマルチモーダル埋め込み３５８を表す連結層において融合させることができる。次いで、システム１１０は、マルチモーダル埋め込み３５８をマルチモーダルセグメント分類子３６２に、入力として提供することができる。分類子３６２は、マルチモーダル埋め込み３５８に基づいて、セグメント３２０に重要な特性を推論することができる。そうするために、次いで、システム１１０は、連結層を分類子３６２に組み込むことができ、これを次に、分類ラベルを出力層に提供することができる。

いくつかの実施形態では、システム１１０は、埋め込みベース及び／又は分類ベースのマルチモーダル融合の変形例を使用し得る。例えば、オーディオ及びテキストと関連付けられた埋め込み３５４及び３５６は、それぞれ、後のステージ内の適切な層のディープビジュアル分類子３０４に挿入することができる。次いで、埋め込み３５４及び３５６を組み込むことによって、分類子３０４を、セグメント３２０と関連付けられたマルチモーダルコンテキスト情報を推論するように訓練することができる。次いで、システム１１０の注釈モジュール１１６は、コンテキスト情報を取得し、セグメント３２０の注釈３４０を生成することができる。注釈３４０は、コンテキスト情報を表す一組のキーを含むことができる。システム１１０は、入力ビデオ３００のそれぞれのセグメントに対してこのプロセスを繰り返すことができる。
広告システム

システム１１０によって生成される注釈は、広告システムなどの他のアプリケーションに使用することができる。広告システムは、システム１１０から取得される注釈に基づいて、ビデオのコンテキスト的に関連する広告を配置することができる。図４は、本出願の一実施形態による、ローカライズされたコンテキスト情報に基づく、ビデオの例示的な広告配置プロセスを示す。セグメント化モジュール１１２は、ビデオ４２０を取得することができ、ビデオ４２０をいくつかのセグメント４２２、４２４、４２６、及び４２８にセグメント化することができる。分析モジュール１１４は、セグメントの複数の入力モダリティに基づいて、それぞれのセグメントと関連付けられたコンテキスト情報を推論することができる。

注釈モジュール１１６は、コンテキスト情報を使用して、セグメント４２２、４２４、４２６、及び４２８の注釈４４２、４４４、４４６、及び４４８をそれぞれ生成することができる。注釈モジュール１１６はまた、セグメント４２４の最後のビートの注釈５５２及びセグメント４２６の最初のビートの注釈５５４などの、それぞれのセグメントの１つ以上のビートのビートレベル注釈を生成することもできる。次いで、システム１１０の広告モジュール１１８は、ビデオ４２０内のＩＳＡ４３２、４３４、及び４３６を、潜在的広告スポットとして識別することができる。このようにして、ビデオ４２０のＩＳＡの広告の配置は、各セグメントがシーンを含むことができるので、ビデオ４２０内のシーンを中断し得ない。

管理者は、広告を示すためにビデオ４２０を停止させることができる回数を構成し得る。この数に基づいて、広告モジュール１１８は、ビデオ４２０の広告を配置するための一組のＩＳＡを推奨し得る。広告モジュール１１８は、１つ以上のポリシーを注釈に適用して、広告を配置するために使用することができる一組のＩＳＡを選択し得る。そのようなポリシーは、マネタイゼーションを最大にすること、ハラハラする展開を回避する又は使用すること、シーンの断片化を回避すること、及び心地よい先行セグメントを含むことができるが、これらに限定されない。ビデオ４２０を停止することができる回数が１に構成されると仮定する。次いで、広告モジュール１１８は、広告を配置するために、ＩＳＡ４３２、３３４、及び４３６のうちの１つを選択することができる。例えば、広告モジュール１１８は、ユーザが広告の物語の影響を受けやすくなり得るＩＳＡを選択し得る。広告モジュール１１８は、（例えば、意味カテゴリ及びそれらの対応する信頼値に適用された重み付けスコアに基づいて）注釈を調査し、感情的な情報を評価し、また、感受性を決定することができる。

広告モジュール１１８がＩＳＡ４３４を選択した場合、広告モジュール１１８は、注釈情報４１０を広告システム４００（例えば、広告交換及び／又はプラットフォーム）に提供することができる。注釈情報４１０は、ＩＳＡ４３４の先行セグメント４２４及び後続セグメント４２６の注釈４４４及び４４６をそれぞれ含むことができる。注釈情報４１０はまた、セグメント４２４内の最後のビートの注釈５５２及びセグメント４２６内の最初のビートの注釈５５４を含むこともできる。広告システム４００は、利用可能な広告並びにそれらのそれぞれのコンテンツ及び物語（例えば、各広告の一組のキーワードとして表現される）をデータベース４０２内に維持することができる。

注釈情報４１０を取得すると、広告システム４００は、注釈情報４１０内の注釈と、ＩＳＡ４３４内に配置することができる対応する広告とを動的にマッチさせることができる。マッチング操作を実行するために、広告システム４００は、注釈内のキーから値及び強度を取得し、閾値よりも大きい対応する強度を有する一組の値を選択することができる。次いで、広告システム４００は、コンテンツを説明するキーワード及び利用可能な広告と、選択された値の１つ以上とをマッチさせ、最良のマッチを有する広告を選ぶことができる。マッチング操作は、データベース４０２で実行される１つ以上のデータベースクエリに基づくことができる。

代替的に、広告を所有する企業又は企業の代理人は、広告システム４００から、事業に関連するタグを購入することができる。例えば、企業が保険会社である場合、企業は、事故、火事、爆発などに関連するタグを購入することができる。セグメント４２４及び／又はセグメント４２６が、カーチェイス及び／又は車両の損傷を含むアクションシーケンスに対応する場合、注釈情報４１０の注釈は、アクションを表す。注釈内の対応する値を広告のタグにマッチさせることができるので、広告システム４００は、広告がＩＳＡ４３４内に配置され得ると判定することができる。このようにして、注釈は、ビデオ４２０内のコンテキスト的に関連する広告の配置を容易にすることができる。

典型的に、ビデオ４２０が映画などの一般的なビデオである場合、ビデオ４２０のプロダクトプレイスメントは、広告の有効な形態であり得る。しかしながら、そのようなプロダクトプレイスメントは、高価であり得る。ビデオ４２０内のコンテキスト広告は、費用効果的な変形例になり得る。視聴者がセグメント４２４で主人公がハイウェイ上で高級車を運転するのを見る場合、コンテキスト広告は、広告システム４００が高級車の広告をＩＳＡ４３４内のセグメント４２４の直後に示すことを可能にする。コンテキスト手法はまた、広告オーバレイでも使用することができる。更に、いくつかのビデオプロバイダは、サブスクリプションを必要とするので、ビデオ提供者はまた、視聴者情報（例えば、性別、人種、年齢、所得階層、など）も知り得る。視聴者情報及びコンテキスト情報を組み合わせることで、ビデオ４２０内のコンテキスト広告の効果を更に向上させることができる。
操作

図５Ａは、本出願の一実施形態による、分類ベースのマルチモーダル融合を使用して、ビデオセグメントの統一分類を生成する、ビデオ注釈システムの方法５００を示すフローチャートを示す。操作中に、システムは、利用可能である場合に入力ビデオ及び関連付けられたスクリプトを取得し、セグメント化技術に基づいて、入力ビデオのビデオセグメントを決定することができる（操作５０２）。次いで、システムは、それぞれのビデオセグメントを解析して、ビデオフレーム及びオーディオ信号を、並びに利用可能である場合にビデオセグメントのサブタイトル／字幕を取得すことができる（操作５０４）。続いて、システムは、オーディオエンコーダを適用して、音声及びバックグラウンド信号をオーディオ信号から分離することができる（操作５０６）。

システムは、オーディオ分類に対して、オーディオ分類子をバックグラウンド信号に適用し、感情分類に対して、感情分類子を音声信号に適用することができる（操作５０８）。システムは、ビジュアル分類に対して、ディープビジュアルネットワークをビデオフレームに更に適用することができる（操作５１０）。システムはまた、音声認識を使用して音声信号から音声テキストを決定し、サブタイトル／字幕及びスクリプトを音声テキストと整列させることもできる（操作５１２）。次いで、システムは、テキスト分類に対して、テキストベースの分類子（例えば、ＮＬＰベースの分類子）を、整列させたテキストに適用することができる（操作５１４）。続いて、システムは、ビデオセグメントに対して、マルチモーダル分類から統一分類を決定することができる（操作５３８）。

図５Ｂは、本出願の一実施形態による、埋め込みベースのマルチモーダル融合を使用して、ビデオセグメントの統一分類を生成する、ビデオ注釈システムの方法５３０を示すフローチャートを示す。操作中に、システムは、利用可能である場合に入力ビデオ及び関連付けられたスクリプトを取得し、セグメント化技術に基づいて、入力ビデオのビデオセグメントを決定することができる（操作５３２）。次いで、システムは、それぞれのビデオセグメントを解析して、ビデオフレーム及びオーディオ信号を、並びに利用可能である場合にビデオセグメントのサブタイトル／字幕を取得すことができる（操作５３４）。続いて、システムは、オーディオエンコーダを適用して、音声及びバックグラウンド信号をオーディオ信号から分離することができる（操作５３６）。

システムは、オーディオ特徴埋め込みを判定するために、オーディオ分類子をバックグラウンド信号に適用することができる（操作５３８）。システムは、ビジュアル特徴埋め込みを判定するために、ディープビジュアルネットワークをビデオフレームに更に適用することができる（操作５４０）。システムはまた、音声認識を使用して音声信号から音声テキストを決定し、サブタイトル／字幕及びスクリプトを音声テキストと整列させることもできる（操作５４２）。次いで、システムは、テキスト特徴埋め込みを決定するために、テキストベースの分類子を、整列させたテキストに適用することができる（操作５４４）。続いて、システムは、特徴埋め込みを組み合わせて、統一特徴埋め込みを生成し（操作５４６）、マルチモーダルセグメント分類子を統一特徴埋め込みに適用して、ビデオセグメントクラスを決定することができる（操作５４８）。

図５Ｃは、本出願の一実施形態による、ビデオセグメントの統一分類に基づいて注釈を生成する、ビデオ注釈システムの方法５５０を示すフローチャートを示す。操作中に、システムは、ビデオセグメントの統一分類を取得し（操作５５２）、ビデオセグメントの統一分類に基づいて一組のキーを決定することができる（操作５５４）。ユーザは、ビデオセグメントに対して、一組のキーを選択し、構成することができる。次いで、システムは、統一分類のコンテキスト情報からそれぞれのキーを取得し、キーの値及び強度を決定することができる（操作５５６）。続いて、システムは、一組のキーを有するビデオセグメントの注釈を生成することができる（操作５５８）。

図６は、本出願の一実施形態による、広告をビデオに配置するための注釈情報を提供する、ビデオ注釈システム６００の方法を示すフローチャートを示す。操作中に、システムは、入力ビデオのＩＳＡを決定することができ（操作６０２）、ビデオの広告配置の数を決定することができる（操作６０４）。次いで、システムは、１つ以上の選択ポリシーに基づいて、広告配置の数に対応する一組のＩＳＡを選択することができる（操作６０６）。続いて、システムは、ビデオセグメントに対応する注釈、及び選択された一組のＩＳＡと関連付けられたビデオセグメントのビートを取得することができる（操作６０８）。システムは、注釈を広告システムに提供することができる（操作６１０）。
例示的なコンピュータシステム及び装置

図７は、本出願の一実施形態による、ビデオのローカライズされたコンテキスト注釈をサポートする、ビデオ注釈システムを容易にする例示的なコンピュータシステムを示す。コンピュータシステム７００は、プロセッサ７０２、メモリデバイス７０４、及び記憶デバイス７０８を含む。メモリデバイス７０４は、揮発性メモリデバイス（例えば、デュアルインラインメモリモジュール（dual in-line memory module、ＤＩＭＭ））を含むことができる。更に、コンピュータシステム７００は、ディスプレイデバイス７１０、キーボード７１２、及びポインティングデバイス７１４に連結することができる。記憶デバイス７０８は、オペレーティングシステム７１６、ビデオ注釈システム７１８、及びデータ７３６を記憶することができる。ビデオ注釈システム７１８は、システム１１０の操作を組み込むことができる。

ビデオ注釈システム７１８は、コンピュータシステム７００によって実行されると、コンピュータシステム７００に、本開示に記載される方法及び／又はプロセスを実行させることができる命令を含むことができる。具体的には、ビデオ注釈システム７１８は、ビデオをビデオセグメントにセグメント化ユニットに基づいてセグメント化するための命令を含むことができる（セグメント化論理ブロック７２０）。ビデオ注釈システム７１８はまた、複数の入力モダリティを取得するために、それぞれのビデオセグメントを解析するための命令を含むこともできる（セグメント化論理ブロック７２０）。更に、ビデオ注釈システム７１８は、それぞれのビデオセグメントのビデオフレームの意味コンテキスト分類を取得するための命令を含む（ビデオ論理ブロック７２４）。

ビデオ注釈システム７１８はまた、それぞれのビデオセグメントの音声チャンネルからバックグラウンド及び音声信号を分離するための命令を含むこともできる（音声論理ブロック７２４）。ビデオ注釈システム７１８は、音声信号からバックグラウンド信号及び音声テキストの意味コンテキスト分類を取得するための命令を更に含むことができる（音声論理ブロック７２４）。更に、ビデオ注釈システム７１８は、音声テキストを対応するビデオセグメントのテキスト情報と整列させるための命令を含むことができる（テキスト論理ブロック７２６）。ビデオ注釈システム７１８はまた、整列させたテキストの意味コンテキスト分類を取得するための命令を含むこともできる（テキスト論理ブロック７２６）。

ビデオ注釈システム７１８は、マルチモーダル分類を融合させ、統一分類を決定するための命令を含むことができる（融合論理ブロック７２８）。ビデオ注釈システム７１８はまた、マルチモーダル分類からの埋め込みを融合させて、マルチモーダル埋め込みを決定し、マルチモーダル埋め込みから統一分類を決定するための命令を含むこともできる（融合論理ブロック７２８）。更に、ビデオ注釈システム７１８は、統一分類からそれぞれのビデオセグメントの注釈を生成するための命令を含むことができる（注釈論理ブロック７３０）。

いくつかの実施形態では、ビデオ注釈システム７１８は、ビデオ内のＩＳＡを決定し、ＩＳＡと関連付けられた注釈情報を広告システムに提供するための命令を含むことができる（広告論理ブロック７３２）。ビデオ注釈システム７１８は、メッセージ（例えば、パケット及びフレーム）を送信及び受信するための命令を更に含み得る（通信論理ブロック７３４）。データ７３６は、システム１１０の操作を容易にすることができる任意のデータを含むことができる。データ７３６は、異なる分類子の訓練データ、１つ以上のビデオのセグメントのマルチモーダル情報、セグメントの分類及び埋め込み情報、並びにビデオのＩＳＡ情報のうちの１つ以上を含み得る。

図８は、本出願の一実施形態による、ビデオのローカライズされたコンテキスト注釈を容易にする、例示的な装置を示す。ビデオ注釈装置８００は、有線、無線、量子光、又は電気通信チャネルを介して互いに通信し得る複数のユニット又は装置を含むことができる。装置８００は、１つ以上の集積回路を使用して実現され得、図８に示されているものよりも少ない又は多いユニット又は装置を含み得る。更に、装置８００は、コンピュータシステムに統合され得るか、又は他のコンピュータシステム及び／又はデバイスと通信することができる別個のデバイスとして実現され得る。具体的には、装置８００は、図７のコンピュータシステム７００のモジュール７２０〜７３４に類似する機能又は操作を実行するユニット８０２〜８１６を備えることができ、これらのユニットは、セグメント化ユニット８０２、ビデオユニット８０４、オーディオユニット８０６、テキストユニット８０８、融合ユニット８１０、注釈ユニット８１２、広告ユニット８１４、及び通信ユニット８１６を含む。

「発明を実施するための形態」に記載されるデータ構造及びコードは、典型的には、コンピュータ可読記憶媒体に記憶され、コンピュータ可読記憶媒体は、コンピュータシステムが使用するためのコード及び／又はデータを記憶することができる任意のデバイス又は媒体であり得る。コンピュータ可読記憶媒体としては、揮発性メモリ、不揮発性メモリ、ディスク、磁気テープ、ＣＤ（compact disc、コンパクトディスク）、ＤＶＤ（digital versatile disc、デジタル多用途ディスク、又はdigital video disc、デジタルビデオディスク）などの磁気及び光学ストレージデバイス、又は現在知られている若しくは今後開発されるコンピュータ可読メディア媒体を記憶できるその他の媒体が挙げられるが、これらに限定されない。

「発明を実施するための形態」の節に記載される方法及びプロセスは、上に論じられるようなコンピュータ可読記憶媒体内に記憶され得るコード及び／又はデータとして具体化され得る。コンピュータシステムが、コンピュータ可読記憶媒体上に記憶されたコード及び／又はデータを読み取って実行すると、コンピュータシステムは、データ構造及びコードとして具体化され、コンピュータ可読記憶媒体内に記憶された方法及び処理を実行する。

更に、上述の方法及びプロセスは、ハードウェアモジュールに含めることができる。例えば、ハードウェアモジュールとしては、特定用途向け集積回路（application-specific integrated circuit、ＡＳＩＣ）チップ、フィールドプログラマブルゲートアレイ（field-programmable gate array、ＦＰＧＡ）、及び現在知られている又は今後開発される他のプログラム可能論理デバイスを含むことができるが、これらに限定されない。ハードウェアモジュールが起動されると、ハードウェアモジュールは、ハードウェアモジュール内に含まれる方法及びプロセスを実行する。

本明細書に記載される前述の実施形態は、例示及び説明のみを目的として提示されている。これらは、網羅的であること、又は本明細書に記載される実施形態を開示される形態に限定することを意図するものではない。したがって、多くの修正及び変形が、当業者には明らかであろう。加えて、上記の開示は、本明細書に記載される実施形態を限定することを意図するものではない。本明細書に記載される実施形態の範囲は、添付の特許請求の範囲によって定義される。

Claims (26)

1. ローカライズされたコンテキストビデオ注釈のための方法であって、
   セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割することと、
   セグメントの複数の入力モダリティを決定するために、それぞれの前記セグメントを解析することであって、それぞれの入力モダリティが、前記セグメントのコンテンツの形態を示す、解析することと、
   前記入力モダリティに基づいて、前記セグメントを一組の意味クラスに分類することと、
   前記一組の意味クラスに基づいて、前記セグメントの注釈を決定することであって、前記注釈が、前記セグメントと関連付けられた意味コンテキスト情報を示す、決定することと、を含む、方法。
2. 前記セグメントを分類することが、
   入力モダリティの分類を決定するために、対応する分類子をそれぞれの前記入力モダリティに適用することと、
   前記複数の入力モダリティの前記分類に基づいて、前記セグメントの統一分類を決定することと、
   前記統一分類に基づいて、前記セグメントの前記注釈を決定することと、を更に含む、請求項１に記載の方法。
3. 前記統一分類を決定することが、前記複数の入力モダリティの前記分類を互いに融合させて、前記統一分類を生成することを更に含む、請求項２に記載の方法。
4. 前記複数の入力モダリティが、前記セグメントのオーディオ信号から分離されたビデオフレームを含み、
   前記セグメントを分類することが、ディープビジュアル分類子を前記ビデオフレームに適用して、前記セグメントのビジュアル分類を生成することを更に含む、請求項１に記載の方法。
5. 前記複数の入力モダリティが、前記セグメントのビデオフレームから分離されたオーディオ信号を含み、
   前記セグメントを分類することが、
   前記オーディオ信号をバックグラウンド信号及び音声信号に分解することと、
   オーディオ分類子を前記バックグラウンド信号に適用して、前記セグメントのバックグラウンドオーディオ分類を生成することと、
   感情分類子を前記音声信号に適用して、前記セグメントの感情分類を生成することと、を更に含む、請求項１に記載の方法。
6. 前記複数の入力モダリティが、前記セグメントのオーディオビジュアル信号から分離されたテキスト情報を含み、
   前記セグメントを分類することが、
   前記セグメントの言語的音声を表す音声テキストを取得することと、
   前記テキスト情報を前記音声テキストと整列させることと、
   テキストベースの分類子を前記整列させたテキストに適用して、前記セグメントのテキスト分類を生成することと、を更に含む、請求項１に記載の方法。
7. 前記ムービーのスクリプトを取得し、更に、前記スクリプトを前記音声テキストと整列させることを更に含む、請求項６に記載の方法。
8. 前記セグメントを分類することが、
   前記複数の入力モダリティのそれぞれの特徴埋め込みを取得することと、
   前記特徴埋め込みを組み合わせて、統一埋め込みを生成することと、
   意味分類子を前記統一埋め込みに適用して、前記統一分類を決定することと、を更に含む、請求項１に記載の方法。
9. 前記特徴埋め込みを組み合わせることが、特徴連結を前記特徴埋め込みに適用することを更に含む、請求項８に記載の方法。
10. 前記注釈が、前記セグメントの前記意味コンテキスト情報を示す一組のキーを含み、それぞれのキーが、値と、強度と、を含み、前記値が、前記セグメントの特徴を示し、前記強度は、前記値が前記セグメントと関連付けられる可能性を示す、請求項１に記載の方法。
11. 前記セグメント化ユニットが、前記ビデオのアクト、シーン、ビート、及びショットのうちの１つ以上である、請求項１に記載の方法。
12. それぞれの意味クラスが、アクション、危険、ロマンス、フレンドシップ、及びアウトドアアドベンチャーのうちの１つに対応する、請求項１に記載の方法。
13. コンピュータによって実行されると、前記コンピュータに、ローカライズされたコンテキストビデオ注釈のための方法を実行させる命令を記憶している、非一時的コンピュータ可読記憶媒体であって、前記方法が、
    セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割することと、
    前記セグメントの複数の入力モダリティを生成するために、それぞれのセグメントを解析することであって、それぞれの入力モダリティが、前記セグメントのコンテンツの形態を示す、解析することと、
    前記入力モダリティに基づいて、前記セグメントを一組の意味クラスに分類することと、
    前記一組の意味クラスに基づいて、前記セグメントの注釈を決定することであって、前記注釈が、前記セグメントと関連付けられた意味コンテキスト情報を示す、決定することと、を含む、非一時的コンピュータ可読記憶媒体。
14. 前記セグメントを分類することが、
    前記入力モダリティの分類を決定するために、対応する分類子をそれぞれの入力モダリティに適用することと、
    前記複数の入力モダリティの前記分類に基づいて、前記セグメントの統一分類を決定することと、
    前記統一分類に基づいて、前記セグメントの前記注釈を決定することと、を更に含む、請求項１３に記載のコンピュータ可読記憶媒体。
15. 前記統一分類を決定することが、前記複数の入力モダリティの前記分類を互いに融合させて、前記統一分類を生成することを更に含む、請求項１４に記載のコンピュータ可読記憶媒体。
16. 前記複数の入力モダリティが、前記セグメントのオーディオ信号から分離されたビデオフレームを含み、
    前記セグメントを分類することが、ディープビジュアル分類子を前記ビデオフレームに適用して、前記セグメントのビジュアル分類を生成することを更に含む、請求項１３に記載のコンピュータ可読記憶媒体。
17. 前記複数の入力モダリティが、前記セグメントのビデオフレームから分離されたオーディオ信号を含み、
    前記セグメントを分類することが、
    前記オーディオ信号をバックグラウンド信号及び音声信号に分解することと、
    オーディオ分類子を前記バックグラウンド信号に適用して、前記セグメントのバックグラウンドオーディオ分類を生成することと、
    感情分類子を前記音声信号に適用して、前記セグメントの感情分類を生成することと、を更に含む、請求項１３に記載のコンピュータ可読記憶媒体。
18. 前記複数の入力モダリティが、前記セグメントのオーディオビジュアル信号から分離されたテキスト情報を含み、
    前記セグメントを分類することが、
    前記セグメントの言語的音声を表す音声テキストを取得することと、
    前記テキスト情報を前記音声テキストと整列させることと、
    テキストベースの分類子を前記整列させたテキストに適用して、前記セグメントのテキスト分類を生成することと、を更に含む、請求項１３に記載のコンピュータ可読記憶媒体。
19. 前記方法が、前記ムービーのスクリプトを取得し、更に、前記スクリプトを前記音声テキストと整列させることを更に含む、請求項１８に記載のコンピュータ可読記憶媒体。
20. 前記セグメントを分類することが、
    前記複数の入力モダリティの前記分類からそれぞれの特徴埋め込みを取得することと、
    前記特徴埋め込みを組み合わせて、統一埋め込みを生成することと、
    意味分類子を前記統一埋め込みに適用して、前記統一分類を決定することと、を更に含む、請求項１３に記載のコンピュータ可読記憶媒体。
21. 前記特徴埋め込みを組み合わせることが、特徴連結を前記特徴埋め込みに適用することを更に含む、請求項２０に記載のコンピュータ可読記憶媒体。
22. 前記注釈が、前記セグメントの前記意味コンテキスト情報を示す一組のキーを含み、それぞれのキーが、値と、強度と、を含み、前記値が、前記セグメントの特徴を示し、前記強度は、前記値が前記セグメントと関連付けられる可能性を示す、請求項１３に記載のコンピュータ可読記憶媒体。
23. 前記セグメント化ユニットが、前記ビデオのアクト、シーン、ビート、及びショットのうちの１つ以上である、請求項１３に記載のコンピュータ可読記憶媒体。
24. それぞれの意味クラスが、アクション、危険、ロマンス、フレンドシップ、及びアウトドアアドベンチャーのうちの１つに対応する、請求項１３に記載のコンピュータ可読記憶媒体。
25. ローカライズされたコンテキストビデオ注釈に基づいて広告を配置するための方法であって、
    セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割することと、
    セグメントの複数の入力モダリティを決定するために、それぞれの前記セグメントを解析することであって、それぞれの入力モダリティが、前記セグメントのコンテンツの形態を示す、解析することと、
    前記入力モダリティに基づいて、前記セグメントを一組の意味クラスに分類することと、
    前記一組の意味クラスに基づいて、前記セグメントの注釈を決定することであって、前記注釈が、前記セグメントと関連付けられた意味コンテキスト情報を示す、決定することと、
    広告を配置するための標的位置として、前記ビデオファイルのセグメント間のセグメント間可用性（ＩＳＡ）を識別することと、
    前記ＩＳＡと関連付けられた一組のセグメントの注釈を広告システムに送信することであって、前記一組のセグメントが、前記ＩＳＡの先行セグメント及び前記ＩＳＡの後続セグメントのうちの１つ以上を含む、送信することと、を含む、方法。
26. ローカライズされたコンテキストビデオ注釈に基づいて自由裁量の視聴を容易にするための方法であって、
    セグメント化ユニットに基づいて、ビデオを複数のセグメントに分割することと、
    セグメントの複数の入力モダリティを決定するために、それぞれの前記セグメントを解析することであって、それぞれの入力モダリティが、前記セグメントのコンテンツの形態を示す、解析することと、
    前記入力モダリティに基づいて、前記セグメントを一組の意味クラスに分類することと、
    前記一組の意味クラスに基づいて、前記セグメントの注釈を決定することであって、前記注釈が、前記セグメントと関連付けられた意味コンテキスト情報を示す、決定することと、
    前記ビデオの視聴者から視聴選好を取得することと、
    前記複数のセグメントの前記注釈に基づいて、前記複数のセグメントから一組の視聴セグメントを決定することであって、前記一組の視聴セグメントが、前記視聴選好に従う、決定することと、を含む、方法。

Images