Метод генерування рекламного зображення на основі відео потоку

Х. В. Ліп'яніна-Гончаренко

doi:10.24144/2616-7700.2023.43(2).130-135

Автор(и)

Х. В. Ліп'яніна-Гончаренко West Ukrainian National University , Україна https://orcid.org/0000-0002-2441-6292

DOI:

https://doi.org/10.24144/2616-7700.2023.43(2).130-135

Ключові слова:

рекламне зображення, машинне навчання, комп'ютерний зір, ключові кадри, аналіз відео, генерація зображення

Анотація

Ця стаття присвячена розробці та дослідженню нового методу генерації рекламного зображення на основі відео потоку. Метод використовує технології машинного навчання та комп'ютерного зору для автоматизації процесу вибору ключових кадрів з відео потоку і створення привабливих рекламних зображень. Робота включає розробку методу для генерації рекламного зображення на основі вибраних кадрів та алгоритму для аналізу відео потоку і вибору ключових кадрів. Розроблений метод має на меті підвищити ефективність рекламних кампаній, зменшити час і ресурси, необхідні для створення рекламних зображень, і дозволить брендам краще адаптуватися до змінних умов ринку та вимог аудиторії.

Посилання

Liu-Thompkins, Y. (2019). A Decade of Online Advertising Research: What We Learned and What We Need to Know. Journal of Advertising, 48(1), 1–13. https://doi.org/10.1080/00913367.2018.1556138

Lipyanina, H., Sachenko, A., Lendyuk, T., Nadvynychny, S., & Grodskyi, S. (2020). Decision tree based targeting model of customer interaction with business page. In CMIS, 1001–1012.

Lipyanina, H., Sachenko, S., Lendyuk, T., & Sachenko, A. (2020). Targeting Model of HEI Video Marketing based on Classification Tree. In ICTERI Workshops, 487–498.

Lipianina-Honcharenko, K., Lendiuk, T., Sachenko, A., Osolinskyi, O., Zahorodnia, D., & Komar, M. (2022). An Intelligent Method for Forming the Advertising Content of Higher Education Institutions Based on Semantic Analysis. Communications in Computer and Information Science. Cham. https://doi.org/10.1007/978-3-031-14841-5_11

Lipianina-Honcharenko, K., Lendiuk, T., Sachenko, A., & Wołoszyn, J. (2022). Method of Forming the Context of Advertising and Target Audience based on Associative Rules Learning. Herald of Khmelnytskyi National University. Technical sciences, 313(5), 279–287. https://doi.org/10.31891/2307-5732-2022-313-5-279-287

Fire, M., & Schler, J. (2017). Exploring Online Ad Images Using a Deep Convolutional Neural Network Approach. 2017 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData). Exeter. https://doi.org/10.1109/ithings-greencom-cpscom-smartdata.2017.160

Patel, M., & Modi, K. (2020). Exploring Online Ad Images using Deep-Learning Approach. 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS). Madurai, India. https://doi.org/10.1109/iciccs48265.2020.9121175

Li, J., Wang, C., Xu, H., Zhang, L., & Wang, L. (2020). LayoutGAN: Synthesizing Graphic Layouts with Vector-Wireframe Adversarial Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(7), 2388–2399. https://doi.org/10.1109/tpami.2019.2963663

Vempati, S., Chakraborty, S., & Kumar, A. (2020). Enabling Hyper-Personalisation: Automated Ad Creative Generation and Ranking for Fashion e-Commerce. Lecture Notes in Social Networks, 25–48. https://doi.org/10.1007/978-3-030-55218-3_2