2011年的元数据状态

元数据的准确性

自动化元数据创建的一个大问题是它总是不够准确. 虽然我们大多数人都喜欢自动元数据插入的概念, 现实情况是，自动化的准确性永远不会是完美的.

而不是怀念我们搜索得多但钥匙却少的日子, 我预计2011年将见证防假阳性算法的出现.

它们可能是什么样子，它们能提供什么好处? 我不能说算法有多复杂, 但它的好处之一是允许许多条信息叠加在一帧视频上, 系统根据所述元数据衡量预期搜索的潜在相关性和准确性.

这不是一个牵强的飞跃, 谷歌(Google)和必应(Bing)等搜索引擎的研究人员每天都在努力辨别搜索的意图, 即使是在海量的元数据堆积在顶级网站上的时候. 把它想象成在90个大海捞针:如果你能消除除三个之外的所有问题, 搜索可能会花费更少的时间和更准确.

一帧视频可能有多少字段的数据? 我不知道市场上所有系统的答案, 但近十年来，Pictron一直在吹捧它可以处理32个处理器,每帧视频有000个字段的数据.

元数据发现是双向的

视频发现的概念通常被定位为搜索者找到相关内容的一种方式, 但是使用标签来识别视频有点令人费解:它假设向特定视频片段添加元数据的人(或机器)知道, 在搜索前几个月或几年, 搜索者将识别什么作为关键字.

这是对一个更好的方法的倒退——一个正在慢慢出现的方法.

而不是期望搜索者学习一个新的分类法(或, 更极端地, 一种全新的语言), 搜索本身会带着“你有任何……?的问题，并使用搜索者的请求来确定元索引视频的分类，以及该分类与一般搜索人群的相关性.

就像老式纸牌游戏《百家乐app下载》和《百家乐软件》之间的区别. 在老处女的游戏中, 玩家盲目抽一张牌, often receiving irrelevant or harmful cards; by contrast, 在Go Fish中, 玩家(我们的“搜索者”)知道他或她手上有什么牌，并向另一个玩家(我们的“视频库”)发出请求，以获得与手中牌的特定匹配. 即使请求/搜索结果为空，也会减少不确定性.

除了“你有没有……”?很可能就像另一款纸牌游戏:Uno. 在这个游戏中, 所有的播放器——包括我们的“搜索器”和“视频库”——都有能力对高度多变的场景做出反应. 在Uno, 的颜色, 卡号, 或者外卡是不断变化的, 采用一种狂热的方法，允许提交相似性而不是精确匹配.

系统是否会不时地通过替代提交来进行博弈? 是的，但这就是假阳性算法发挥作用的地方. 它仍然比今天的文本标记方法要好得多, 特别是如果我们可以开始使用大气图像, 环境, 面部匹配搜索.