ეფექტიანი ორგანიზაცია და სიახლეების ვიდეო კონტენტის გამოყენება კვლავ პრობლემაა, რადგან ვიდეო მონაცემები არ არის სტრიქონული და კომპლექსური ბუნების გამო. ავტონომიური სისტემები, რომლებიც ზუსტად ცალკეულ ნაწარმოებს დეტალიზირებულად აგარჩევენ სიახლეების ვიდეოებს, მნიშვნელოვანი ერთ-ერთი წიგნი ბეჭდვის დასაწყებად, პერსონალური კონტენტის მიწოდებაში და ინტელექტუალური ძებნაში. მიახლოებით ახლანდელი კვლევა სულ სხვა კლასიფიკატორებს ადარებს, რომლებიც დაგეგმილია სიახლეების ვიდეოების ავტომატური გაყოფისთვის. იგი ზუსტი გაყოფის ფოკუსს აკეთებს ხუთი ტიპის ნიშნის კლასიფიცირებაზე: რეკლამები, სიახლეების ამბები, სტუდიის სცენები, გადასვლები და ვიზუალიზაციები. ამ ელემენტების ზუსტი გაყოფა აუმჯობესებს სიახლეების არქივების მართვას და ხელმისაწვდომობას. ეს კვლევა ჩამოაყალიბა და შეაფასა სხვადასხვა უახლესი ღრმა სწავლების მეთოდები, რომლებსაც აქვთ ინფორამციაზე დაფუძნებული და დროებითი მოდელები, როგორიცაა ResNet, ViViT, Audio Spectrogram Transformer (AST), და მრავალმოდური არქიტექტურები, რომლებიც აერთიანებს სხვადასხვა მოდალობიებს. აღზრდა და შეფასება ჩატარდა წვრილად მონიშნულ მონაცემებსა და 41 სიახლე ვიდეოზე, რომელიც დაყოფილი იყო 1, 832 სცენურ კლიპად და ყოველ ერთ ამ კლიპს ჰქონდა კლასიფიკაციის ხუთი კოდი, რაც უზრუნველყოფს სტაბილურ საფუძველს ალგორითმების შეფასებისთვის. კლასიფიკატორები შეაჯამეს სიზუსტით, გამოთვლის ეფექტიანობით და პრაქტიკაში გამოყენებადობით. მთავრობის მიგნებები გაცხადდა, რომ ინფორამციაზე დაფუძნებული კლასიფიცატორები, განსაკუთრებით ResNet, უკეთესად მუშაობდნენ დეტალიზირების სიზუსტით, ვიდრე უფრო კომპლექსიანი დროითი მოდელები, ხდის იმ აორთქლებად საერთო სიზუსტით 84. 34%.

ეს გამარჯვება სჭირდებათ მოდელებს, როგორიცაა ViViT, რომლებიც იყენებენ დროის მონაცემებს, მაგრამ უფრო მეტ გამოთვლით რესურსებს მოითხოვენ. ResNet-ის ძლიერი აქტივობა, მისი ნაკლები რესურსოენერგტია, უვითარებს მას პრაქტიკულობას მასშტაბური მედიის დამუშავებისთვის. განსაკუთრებით, ტრანზიტებისა და რეკლამის(binary classifiers) ყოფნა მიაღწია მაღალი სიზუსტის დონეებს — 94. 23% და 92. 74% შესაბამისად, რაც ხაზს უსვამს სპეციალიზირებული კლასიფიკატორების მნიშვნელობას ბიზნესისთვის, მაგალითად, რეკლამების ამოცნობისთვის და კონტენტის მოგვარებისთვის. ეს კვლევა გვეუბნება ღრმა სწავლის არქიტექტურების შესახებ სიახლეების ვიდეოების გაყოფისთვის. მიუხედავად იმისა, რომ დროითი მოდელები სამეცნიერო ინფორმაციას აძლევენ მოძრაობისა და სერიის საფუძველზე, अध्ययनმა აჩვენა, რომ ერთფრენკოვანი სასწავლო კლასიფიკატორები სარგებლობენ ისეთივე ან უკეთესი შედეგებით, ნაკლები კომპლექსობით — ეს მნიშვნელოვანია სკალირებისთვის და ეფექტური ავტომატური კვენტობის ორგანიზაციისთვის. პრაქტიკულად, ეს მონაცემები სასარგებლოა მედია ინდუსტრიაში, რადგან დაეხმარება ვიდეოების ორგანიზებას და არქივების გაუმჯობესებას, პერსონალიზებული კონტენტის მიწოდებას მომხმარებლის საჭიროებებზე მორგებული შესაბამისი სეგმენტების გამოყოფით, და ინტელექტუალურ ვიდეოს ძიებაში, რათა სწრაფად იპოვონ კონკრეტული კონტენტი დიდი სიახლეების არქივებისგან. მოკლედ, კვლევა აჩვენებს რომ ინფორამციაზე დაფუძნებული ღრმა სწავლების კლასიფიკატორები, განსაკუთრებით ResNet, ეფექტურად პოულობენ სიახლეების ვიდეოების ნაწყვეტებს. მათი მაღალი სიზუსტე და ეფექტიანი რესურსის გამოყენება იძლევა პერსპექტიულ მოდელებს ავტომატური კონტენტის ორგანიზაციისთვის მედია სფეროში. ეს კვლევა საფუძველს უყრის მომავალ ექსპერიმენტებს, რომლებიც გამოავლენენ მრავალმოდურ მეთოდებს და კლასიფიკატორების მიხედვით გადამზადებას, რათა შემდგომი გაუმჯობესება მიაღწიოს სიახლეების ვიდეოების გაყოფის ტექნოლოგიას და გაგებას.