面向多视频摘要的监督学习框架：数据集偏差消除与特征表征增强研究

（编辑推荐）本文提出新型监督式多视频摘要框架，通过聚类降冗余、双标注策略构建四类数据集，结合时空特征（GLCM）与深度学习表征（3D-CNN），在Tour20数据集实现F1值0.774（较基线提升21%），有效解决现有数据集的类不平衡和主观标注问题。

　　

Highlight

本研究提出创新性监督框架，通过整合聚类、分类与评分机制，显著提升多视频摘要质量。关键突破包括：

1. 冗余消除：采用层次聚类（Hierarchical Clustering）合并相似片段，将候选片段集缩减63%

2. 双标注策略：构建严格标注（Strict-Label）和宽松标注（Lenient-Label）数据集，平衡标注一致性与内容覆盖率

3. 混合特征工程：融合I3D网络时空特征、HSV颜色直方图、灰度共生矩阵（GLCM）纹理特征，形成1280维表征向量

Computational Complexity Analysis

框架总计算复杂度为O(n²)+O(m log m)，其中特征提取（3D-CNN）占主导，但通过PCA降维将维度从2048压缩至300，提速1.8倍。

Summary Evaluation

在Tour20数据集测试显示：

• 平均F1-score达0.774（±0.021）

• 关键帧召回率提升19%

• 冗余度降低37%（p<0.01, t-test）

Conclusion

本框架为多视频摘要领域提供三大价值：

1. 可扩展的标注解决方案

2. 混合特征表征范式

3. 计算效率优化方案

   未来将探索跨模态（音频-视觉）特征融合技术。