Tõhus organisatsioon ja uudiste videote sisu otsimine jäävad keeruliseks unstructured, keeruka videoandmete tõttu. Automaatilised süsteemid, mis täpselt jagavad uudistevideod tähenduslikeks osadeks, on olulised meedia arhiivinduses, isikupärastatud sisu edastuses ja intelligentse otsingus. Viimane uuring käsitleb neid väljakutseid, võrdledes erinevaid süvaõppimise klassifikaatoreid, mis on mõeldud uudistevideo automaatseks jaotamiseks. Uuring keskendub viiele tüüpilisele osadele uudisteülekannetes: reklaamid, uudislood, stuudioimed, üleminekud ning visuaalid. Nende elementide täpne jaotamine parandab uudistearhiivide haldamist ja kasutatavust. Uuringus arendati ja hinnati mitmeid tipptasemel süvaõppimise meetodeid, sh pildipõhiseid ja ajaliselt põhinevaid mudeleid nagu ResNet, ViViT, Audio Spectrogram Transformer (AST) ja multimeediumstruktuure, mis kombineerivad erinevaid modaliteete. Treening ja hindamine baseerus hoolikalt märgistatud ANDMEbaasile, mis sisaldas 41 uudisvideo jaotamist 1832 stseeniklippidesse ning mille igal klipil oli märgistus vastavalt viiele klassile, pakkudes tugevat aluspõhja algoritmide võrdluseks. Klassifikaatoreid hinnati täpsuse, arvutusressursside efektiivsuse ning reaalse maailma rakendusvõimaluste alusel. Peamised tulemused näitasid, et pildipõhised klassifikaatorid, eelkõige ResNet, teostasid klassifikatsiooni täpsuse osas paremini kui keerukamad ajased mudelid, saavutades üldise täpsuse 84, 34%.

See ületas näiteks ViViT-i, mis kasutab ajast sõltuvat teavet, kuid nõuab suuremaid arvutusressursside kulutusi. ResNet-i tugev esitus ning madalam ressursside nõue muudab selle praktiliseks suuremahulise meediatöötluse jaoks. Oluliseks saavutuseks olid ka kahepoolsed klassifikatsioonid üleminekute ja reklaamide jaoks, mille täpsus oli vastavalt 94, 23% ja 92, 74%, mis rõhutab eraldi klassifikaatorite väärtust selliste ülesannete, nagu reklaamide tuvastamine ja sisu kokkuvõte, puhul. Uuring pakub olulisi teadmisi süvaõppimise struktuuride kohta uudiste videote jaotamiseks. Kuigi ajased mudelid võiksid teoreetiliselt pakkuda rikkalikumat konteksti liikumise ja järjestuse kaudu, näitab uurimus, et ühe pildi klassifikaatorid saavad saavutada võrreldava või parema tulemuse väiksema keerukuse ja ressursitarbimisega—see on oluline tegur skaleeritavuse ja tõhusa automaatse sisu organiseerimise jaoks. Praktiliselt toob see kasu meedia sektorile ning võimaldab paremat arhiivindamist organiseeritud videopõhiste hoidlate kaudu, toetab isikupärastatud sisu edastust, ekstrigeerides kasutajale sobivaid segmentide ning aitab kiiresti leida spetsiifilist sisu suurtest uudistearhiividest, tänu nutikale videorahustamise otsingule. Kokkuvõttes näitab uuring, et pildipõhised süvaõppimise klassifikaatorid, eriti ResNet, on tõhusad uudistevideote jaotamiseks. Nende kõrge täpsus ja ressursikasutuseta efektiivsus teevad neist potentsiaalsed lahendused automatiseeritud sisu organiseerimisel meedias. Uuring seab aluse tuleviku uuringutele, mis uurivad multimodaalseid meetodeid ja klassifikaatorite täpsustamist, et veelgi parandada uudiste videote jaotamise tehnoloogia jõudlust ja paindlikkust.