4. Automatisierte Annotation von Filmen#
Die vorliegende Fallstudie befasst sich mit Workflows zur automatisierten Filmannotation. Am Beispiel der Filme Konrad Wolfs werden exemplarisch die Möglichkeiten der automatisierten Einstellungs- und Figurenerkennung dargestellt. In den folgenden Abschnitten stehen folgende Lernziele im Mittelpunkt:
Automatisierte Annotation von Filmen
Geeignete Modelle für die Erkennung von Einstellungslängen und Figuren können ausgewählt werden.
Es können geeignete Schwellenwerte für die Erkennung angewendet werden.
Die grundlegenden Schritte eines Python-Skripts zur Einstellungserkennung und zur Figurenerkennung werden verstanden.
Die Python-Skripte können für eigene Annotations-Projekte modifiziert werden.
Die Qualität der Annotationsergebnisse kann beurteilt werden.
Wir befinden uns damit beim 3. Schritt unserer Fallstudie, bei dem die automatisierte Annotation von Filmen praktisch umgesetzt wird. Zu Beginn des Kapitels stellen wir die Entwicklung des angewendeten Workflows dar, gehen auf die verwendeten Modelle ein und erklären die notwendigen technischen Voraussetzungen und Grundlagen. Mithilfe von Jupyter Notebooks wird schließlich die Erkennung von Einstellungen und die Erkennung von Figuren anhand von Trailern zu Filmen Konrad Wolfs durchgeführt. Die erzeugten Annotationsdaten werden mit dem Filmanalysetool VIAN gesichtet und überprüft.
Fig. 4.1 Schritt 3: Automatisierte Annotation von Filmen#
Bearbeitungszeit
Die geschätzte Bearbeitungszeit dieser Lerneinheit beträgt ca. xx Minuten. Dies schließt die gekennzeichneten Übungsaufgaben, deren Bearbeitungsdauer individuell variiert, aus.
Die geschätzte Bearbeitungsdauer inklusive der einzelnen Übungsaufgaben beträgt ca. xx Minuten.
Bitte beachten Sie: Die tatsächliche Bearbeitungsdauer kann je nach Ihren Vorkenntnissen unterschiedlich ausfallen. Die angegebene Zeitangabe dient lediglich als Orientierungshilfe.