การวิเคราะห์เทคโนโลยีตรวจจับเนื้อหาซ้ำและการนำไปเผยแพร่ซ้ำบนแพลตฟอร์มวิดีโอ

แพลตฟอร์มวิดีโอสั้น เช่น Douyin, TikTok, YouTube ฯลฯ กำลังเผชิญความท้าทายจากเนื้อหาที่ผู้ใช้สร้างขึ้นจำนวนมหาศาล โดยการตรวจจับวิดีโอซ้ำและเนื้อหาที่ถูกนำไปเผยแพร่ซ้ำได้กลายเป็นประเด็นทางเทคนิคหลักในการจัดการเนื้อหาของแพลตฟอร์ม รายงานฉบับนี้จะวิเคราะห์เชิงลึกว่าแพลตฟอร์มวิดีโอเหล่านี้ตัดสินความซ้ำของวิดีโอและพฤติกรรมการนำเนื้อหาไปเผยแพร่ซ้ำอย่างไร สำรวจเทคโนโลยีอัลกอริทึมที่ใช้ และอธิบายหลักการทำงานโดยละเอียดผ่านตัวอย่างเฉพาะ

วิธีพื้นฐานในการตรวจจับความซ้ำของแพลตฟอร์มวิดีโอ

เทคโนโลยีการเปรียบเทียบแฮช

สิ่งแรกที่แพลตฟอร์มวิดีโอใช้คือเทคโนโลยีการเปรียบเทียบแฮช ซึ่งเป็นวิธีตรวจจับที่พื้นฐานที่สุดแต่ก็รวดเร็วที่สุดเช่นกัน แพลตฟอร์มจะสร้างค่าแฮชหลายประเภทให้กับวิดีโอแต่ละรายการที่อัปโหลด:

แฮช MD5 เป็นวิธีที่ง่ายที่สุด โดยระบุไฟล์ที่เหมือนกันทุกประการผ่านการคำนวณค่า MD5 ของไฟล์วิดีโอ เมื่อผู้ใช้อัปโหลดวิดีโอที่ไม่ได้แก้ไขโดยตรง ระบบสามารถตรวจพบเนื้อหาซ้ำได้ภายในระดับมิลลิวินาทีผ่านการจับคู่ค่า MD5 อย่างไรก็ตาม วิธีนี้ไม่สามารถตรวจจับวิดีโอที่ผ่านการแก้ไขใด ๆ ได้ แม้จะเป็นเพียงการแปลงรูปแบบหรือการบีบอัดอย่างง่าย ก็จะสร้างค่า MD5 ที่แตกต่างกันโดยสิ้นเชิง

เทคโนโลยีแฮชเชิงการรับรู้มีความก้าวหน้ามากกว่า สามารถตรวจจับวิดีโอที่คล้ายกันทางสายตาแต่แตกต่างกันในเชิงเทคนิคได้ ระบบจะดึงคีย์เฟรมของวิดีโอ และสร้างรหัสแฮชความยาวคงที่ผ่าน DCT (Discrete Cosine Transform) หรืออัลกอริทึมอื่น ๆ ค่าความคล้ายกันของแฮชเชิงการรับรู้ระหว่างวิดีโอสองรายการจะคำนวณด้วยระยะทางแฮมมิง หากระยะทางแฮมมิงน้อยกว่าค่าขีดจำกัดที่ตั้งไว้ ก็จะตัดสินว่าเป็นเนื้อหาซ้ำ

เทคโนโลยีลายนิ้วมือเสียง

เทคโนโลยีลายนิ้วมือเสียงเป็นวิธีสำคัญที่แพลตฟอร์มวิดีโอใช้ตรวจจับเนื้อหาที่ถูกนำไปเผยแพร่ซ้ำ โดยเทคโนโลยีที่มีชื่อเสียงที่สุดคือเทคโนโลยีการรู้จำเสียงที่อิงอัลกอริทึม Shazam เทคโนโลยีนี้จะวิเคราะห์คุณลักษณะสเปกตรัมของสัญญาณเสียง เพื่อสร้าง "ลายนิ้วมือเสียง" ที่เป็นเอกลักษณ์สำหรับระบุเนื้อหาเสียงที่เหมือนกันหรือคล้ายกัน

กระบวนการสร้างลายนิ้วมือเสียงประกอบด้วย: ขั้นแรกสุ่มตัวอย่างเสียงที่ 44.1kHz จากนั้นสร้างสเปกโตรแกรมผ่าน **การแปลงฟูเรียร์ช่วงเวลาสั้น (STFT)** ระบบจะดึงจุดพีกจากสเปกโตรแกรม ซึ่งจุดพีกเหล่านี้แทนองค์ประกอบความถี่ที่เด่นชัดที่สุดในสัญญาณเสียง ถัดมา อัลกอริทึมจะจับคู่จุดพีกเหล่านี้เพื่อสร้าง "แผนภาพกลุ่มดาว" โดยแต่ละคู่ประกอบด้วยค่าความถี่สองค่าและผลต่างเวลาระหว่างกัน: $Constellation(P1,P2,\mathrm{\Delta }t)=(f1,f2,\mathrm{\Delta }t)$Constellation(P1,P2,Δt)=(f1,f2,Δt)。

การวิเคราะห์คุณลักษณะภาพ

แพลตฟอร์มวิดีโอสมัยใหม่ใช้เทคโนโลยีการดึงคุณลักษณะภาพที่อิงการเรียนรู้เชิงลึกอย่างแพร่หลาย ผ่านโมเดลการเรียนรู้เชิงลึก เช่น โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ระบบสามารถดึงคุณลักษณะเชิงความหมายระดับสูงของเฟรมวิดีโอได้ โดยคุณลักษณะเหล่านี้สามารถจับแก่นของเนื้อหาวิดีโอ ไม่ใช่เพียงข้อมูลพิกเซลบนพื้นผิว

ข้อดีของวิธีนี้คือสามารถตรวจจับวิดีโอที่ผ่านการแก้ไขซับซ้อนได้ เช่น การปรับสี การครอบตัด การเพิ่มลายน้ำ การเล่นด้วยความเร็วที่เปลี่ยนไป เป็นต้น แม้วิดีโอจะมีการเปลี่ยนแปลงอย่างมีนัยสำคัญในระดับพิกเซล แต่คุณลักษณะเชิงความหมายเชิงลึกมักยังคงค่อนข้างเสถียร

การตรวจสอบความสอดคล้องตามลำดับเวลา

การวิเคราะห์ความสอดคล้องตามลำดับเวลาเป็นอีกมิติสำคัญในการตรวจจับการนำวิดีโอไปใช้ซ้ำ เทคโนโลยีนี้ระบุเนื้อหาซ้ำโดยวิเคราะห์ความสัมพันธ์ด้านเวลาระหว่างเฟรมวิดีโอและความต่อเนื่องของการเคลื่อนไหว วิธีการตรวจจับสองระดับ (Dual-level Detection) เป็นความก้าวหน้าสำคัญในด้านนี้ โดยประกอบด้วยสองระดับ ได้แก่ การตรวจจับการตัดต่อวิดีโอ (VED) และการตรวจจับฉากในเฟรม (FSD)

โมดูลการตรวจจับการตัดต่อวิดีโอจะพิจารณาก่อนว่าวิดีโอผ่านการตัดต่อหรือไม่ สำหรับวิดีโอที่ไม่ได้ตัดต่อ ระบบจะใช้เวกเตอร์สุ่มเป็นตัวบรรยายเพื่อประหยัดทรัพยากรการคำนวณ สำหรับวิดีโอที่ผ่านการตัดต่อ ระบบจะวิเคราะห์ในระดับเฟรมอย่างละเอียดมากขึ้น รวมถึงตรวจจับว่ามีการต่อรวมหลายฉากในวิดีโอหรือไม่

คำอธิบายเชิงลึกเกี่ยวกับเทคโนโลยีอัลกอริทึมหลัก

ตระกูลอัลกอริทึมแฮชเชิงการรับรู้

อัลกอริทึม pHash (แฮชเชิงการรับรู้) เป็นเทคโนโลยีที่ใช้กันอย่างแพร่หลายในการตรวจจับวิดีโอซ้ำ อัลกอริทึมนี้สร้างค่าแฮชผ่านขั้นตอนต่อไปนี้: ขั้นแรกย่อหรือขยายภาพเป็นขนาดมาตรฐาน 32×32 พิกเซล จากนั้นใช้การแปลงโคไซน์แบบไม่ต่อเนื่อง (DCT) เพื่อดึงคุณลักษณะในโดเมนความถี่ของภาพ ต่อมาอัลกอริทึมจะเก็บบริเวณ 8×8 มุมซ้ายบนของค่าสัมประสิทธิ์ DCT (ส่วนความถี่ต่ำ) คำนวณค่าเฉลี่ยของค่าสัมประสิทธิ์เหล่านี้ และสุดท้ายสร้างรหัสแฮชไบนารี 64 บิตโดยเปรียบเทียบความสัมพันธ์ระหว่างค่าสัมประสิทธิ์แต่ละตัวกับค่าเฉลี่ย

อัลกอริทึม dHash (แฮชความแตกต่าง) ใช้กลยุทธ์ที่ต่างออกไป โดยย่อหรือขยายภาพเป็น 9×8 พิกเซล แล้วคำนวณความแตกต่างระหว่างพิกเซลที่อยู่ติดกัน หากพิกเซลหนึ่งสว่างกว่าเพื่อนบ้านทางขวา จะบันทึกเป็น 1 ในรหัสแฮช มิฉะนั้นจะบันทึกเป็น 0 วิธีนี้ไวต่อการเปลี่ยนแปลงในแนวนอนของภาพมากกว่า และสามารถจับลักษณะโครงสร้างของภาพได้ดียิ่งขึ้น

การวิเคราะห์เชิงลึกของอัลกอริทึมลายนิ้วมือเสียง

แก่นของอัลกอริทึม Shazam อยู่ที่เทคนิคการจับคู่แผนภาพกลุ่มดาว อัลกอริทึมจะแปลงสัญญาณเสียงในโดเมนเวลาเป็นการแสดงผลในโดเมนความถี่ก่อนด้วยการแปลงฟูเรียร์แบบเร็ว (FFT):

$STFT(t,f)={\sum }_{n=0}^{N-1}x(t+n)\cdot e^{-j2\pi fn}$STFT(t,f)=∑n=0N−1x(t+n)⋅e−j2πfn

โดยที่ $x(t+n)$x(t+n) แทนจุดตัวอย่างเสียงภายในหน้าต่างเวลา และ $e^{-j2\pi fn}$e−j2πfn คือฟังก์ชันเลขชี้กำลังเชิงซ้อน

กระบวนการดึงค่าสูงสุดจะระบุจุดคุณลักษณะสำคัญในสเปกโตรแกรมโดยการกำหนดค่าเกณฑ์:

เทคโนโลยีแฮชวิดีโอแบบเรียนรู้ด้วยตนเอง (SSVH) เป็นการประยุกต์ใช้ล่าสุดของการเรียนรู้เชิงลึกในการตรวจจับวิดีโอซ้ำ เทคโนโลยีนี้ใช้สถาปัตยกรรมตัวเข้ารหัสอัตโนมัติแบบไบนารีลำดับชั้น ซึ่งประกอบด้วยตัวเข้ารหัสและตัวถอดรหัสสามตัว ได้แก่ ตัวถอดรหัสไบนารีลำดับชั้นแบบไปข้างหน้า ตัวถอดรหัสไบนารีลำดับชั้นแบบย้อนกลับ และตัวถอดรหัสไบนารีลำดับชั้นแบบทั่วโลก

ตัวเข้ารหัสใช้โครงสร้าง LSTM แบบไบนารี (BLSTM) ซึ่งสามารถสร้างรหัสแฮชแบบไบนารีได้โดยตรงโดยไม่ต้องมีขั้นตอนหลังการประมวลผล การไหลของข้อมูลของ BLSTM เป็นไปตามรูปแบบของ LSTM มาตรฐาน แต่เพิ่มฟังก์ชันเครื่องหมาย$b_t=sgn(h_t)$bt=sgn(ht)ที่ส่วนท้ายเพื่อสร้างเอาต์พุตแบบไบนารี

เพื่อแก้ปัญหา NP-hard ของการเพิ่มประสิทธิภาพแบบไบนารี อัลกอริทึมใช้ฟังก์ชันเครื่องหมายแบบประมาณค่า:

อัลกอริทึมจัดเรียงใหม่ตามความสอดคล้องเชิงเวลาเป็นเทคโนโลยีหลักในการระบุตำแหน่งคลิปวิดีโอ อัลกอริทึมนี้เริ่มจากการรวมจุดสำคัญและใช้การเรียนรู้เชิงลึกเพื่อสกัดคุณลักษณะระดับภาพ จากนั้นใช้โครงสร้าง k-d tree หลายชุดเพื่อทำการค้นหา KNN อย่างมีประสิทธิภาพ และได้ชุดคลิปวิดีโอ候选

จุดเด่นเชิงนวัตกรรมของอัลกอริทึมอยู่ที่ขั้นตอนการตัดแต่งตามความสอดคล้องเชิงเวลา โดยวิเคราะห์ข้อมูลไทม์สแตมป์และ ID ลำดับของคลิป候选 เพื่อระบุคลิปที่ตรงกันและตำแหน่งเวลาในลำดับได้อย่างแม่นยำ วิธีนี้สามารถค้นหาเฟรมเดี่ยวในฐานข้อมูล 1 ล้านเฟรมได้ด้วยความเร็ว 83.96 มิลลิวินาที และใช้เวลา 462.59 มิลลิวินาทีในการค้นหาในฐานข้อมูล 4.5 ล้านเฟรม

การวิเคราะห์กรณีใช้งานจริง

ระบบ YouTube Content ID

ระบบ Content ID ของ YouTube เป็นหนึ่งในเทคโนโลยีตรวจจับลิขสิทธิ์ที่พัฒนาสมบูรณ์ที่สุดในอุตสาหกรรม ระบบนี้ใช้กลยุทธ์การตรวจจับหลายระดับ:

ระดับแรกคือการจับคู่ลายนิ้วมือเสียง ระบบจะสร้างลายนิ้วมือเสียงสำหรับวิดีโอแต่ละรายการที่อัปโหลด และเปรียบเทียบกับฐานข้อมูลอ้างอิงขนาดใหญ่ แม้ว่าเสียงจะผ่านการเปลี่ยนคีย์ ปรับความเร็ว หรือเพิ่มเสียงรบกวนพื้นหลัง ระบบก็ยังสามารถตรวจจับเนื้อหาที่ตรงกันได้ผ่านการวิเคราะห์สเปกตรัม

ระดับที่สองคือการวิเคราะห์เนื้อหาภาพ ระบบใช้โมเดลการเรียนรู้เชิงลึกเพื่อวิเคราะห์คุณลักษณะด้านภาพของวิดีโอ เช่น การกระจายสี รูปแบบพื้นผิว การจดจำวัตถุ ฯลฯ คุณลักษณะเหล่านี้จะถูกเข้ารหัสเป็นเวกเตอร์มิติสูง และใช้การคำนวณความคล้ายคลึงแบบโคไซน์เพื่อตัดสินความคล้ายคลึงของวิดีโอ

ระดับที่สามคือการเปรียบเทียบเมทาดาทา ระบบจะเปรียบเทียบข้อมูลเมทาดาทา เช่น ชื่อวิดีโอ คำอธิบาย แท็ก เป็นต้น แล้วผสานผลลัพธ์จากเทคโนโลยีข้างต้นเพื่อทำการตัดสินแบบองค์รวม

กลไกการตรวจจับแบบคู่ของ TikTok/抖音

抖音 และ TikTok ใช้กลไกการตรวจจับแบบคู่เพื่อรับมือกับลักษณะเฉพาะของวิดีโอสั้น:

การตรวจจับแบบเรียลไทม์: ในระหว่างที่ผู้ใช้อัปโหลดวิดีโอ ระบบจะคำนวณค่าแฮชเชิงการรับรู้และลายนิ้วมือเสียงของวิดีโอแบบเรียลไทม์ ผ่านการเปรียบเทียบอย่างรวดเร็วกับฐานข้อมูลที่มีอยู่ ระบบสามารถระบุเนื้อหาซ้ำที่เห็นได้ชัดภายในไม่กี่วินาที

การวิเคราะห์เชิงลึกแบบออฟไลน์: สำหรับวิดีโอที่ผ่านการตรวจจับแบบเรียลไทม์ ระบบจะทำการวิเคราะห์เชิงลึกเพิ่มเติมในเบื้องหลัง โดยใช้โมเดล CNN เพื่อสกัดคุณลักษณะเชิงความหมายและวิเคราะห์ระดับความคิดสร้างสรรค์ของเนื้อหาวิดีโอ สำหรับวิดีโอที่ตรวจพบว่ามีการแก้ไขเล็กน้อย ระบบจะคำนวณคะแนนความคล้ายคลึง และเนื้อหาที่เกินค่าเกณฑ์จะถูกทำเครื่องหมายว่าอาจเป็นการนำเนื้อหาผู้อื่นมาใช้

ข้อมูลผลการตรวจจับจริง

จากข้อมูลการวิจัย เทคโนโลยีลายนิ้วมือเสียงสมัยใหม่สามารถบรรลุความแม่นยำในการระบุได้ 100% ภายใต้เงื่อนไขที่เหมาะสม:

• คลิปเสียง 1 วินาที: ความแม่นยำในการระบุ 60%

• คลิปเสียง 2 วินาที: ความแม่นยำในการระบุ 95.6%

• 5 วินาทีขึ้นไป: ความแม่นยำในการระบุ 100%

สำหรับการตรวจจับวิดีโอ วิธีการตรวจจับสองชั้นทำอัตราการเรียกคืนได้ 98.8% บนชุดข้อมูล FIVR-200K และทำอัตราการเรียกคืนได้ 94.1% บนชุดข้อมูล VCSL

ประสิทธิภาพของเทคโนโลยีแฮชเชิงรับรู้มีดังนี้:

• ความเร็วในการประมวลผล: เวลาในการประมวลผลต่อเฟรมต่ำกว่า 1 มิลลิวินาที

• ประสิทธิภาพการจัดเก็บ: แต่ละเฟรมวิดีโอต้องใช้พื้นที่เก็บแฮชเพียง 8 ไบต์

• ความแม่นยำในการตรวจจับ: สำหรับวิดีโอที่ถูกแก้ไขเล็กน้อย ความแม่นยำในการตรวจจับสูงถึง 85-90%

ความท้าทายและแนวโน้มการพัฒนาเทคโนโลยี

การรับมือกับการโจมตีแบบหลบเลี่ยง

ด้วยความนิยมอย่างแพร่หลายทั่วโลกของวิดีโอสั้น ผู้ที่นำคอนเทนต์ไปใช้ซ้ำก็ยกระดับวิธีหลบเลี่ยงการตรวจจับอย่างต่อเนื่อง การโจมตีแบบหลบเลี่ยงเป็นหนึ่งในความท้าทายหลักในปัจจุบัน ผู้โจมตีพยายามหลอกระบบตรวจจับด้วยการเพิ่มสัญญาณรบกวนขนาดเล็กลงในวิดีโอ หรือใช้เทคนิคการตัดต่อเฉพาะบางอย่าง

เพื่อรับมือกับความท้าทายเหล่านี้ แพลตฟอร์มต่าง ๆ กำลังพัฒนาอัลกอริทึมการตรวจจับที่มีความทนทานมากขึ้น เช่น การใช้เทคโนโลยีลายนิ้วมือเชิงทอพอโลยีเพื่อวิเคราะห์โครงสร้างทอพอโลยีของสัญญาณเสียงผ่านทฤษฎีโฮโมโลยีต่อเนื่อง วิธีนี้มีความทนทานต่อการยืดเวลาและการเปลี่ยนระดับเสียงได้ดียิ่งขึ้น

การตรวจจับแบบผสานหลายโมดัล

ระบบตรวจจับวิดีโอสมัยใหม่ใช้กลยุทธ์การผสานหลายโมดัลมากขึ้นเรื่อย ๆ ด้วยการวิเคราะห์เนื้อหาภาพของวิดีโอ คุณลักษณะเสียง ข้อมูลข้อความ (เช่น คำบรรยายและชื่อเรื่อง) และรูปแบบการแพร่กระจายบนเครือข่ายสังคมไปพร้อมกัน ระบบจึงสามารถสร้างลายนิ้วมือของคอนเทนต์ที่ครอบคลุมมากขึ้น

ข้อได้เปรียบของวิธีนี้คือ แม้ว่าโมดัลใดโมดัลหนึ่งจะถูกแก้ไขโดยเจตนา คุณลักษณะจากโมดัลอื่นยังคงให้สัญญาณการตรวจจับที่มีประสิทธิภาพได้ ตัวอย่างเช่น แม้ภาพวิดีโอจะถูกแก้ไขอย่างมาก คุณลักษณะเสียงและรูปแบบการเผยแพร่อาจยังเปิดเผยลักษณะการนำคอนเทนต์ไปใช้ซ้ำได้

การเพิ่มประสิทธิภาพด้วยเอดจ์คอมพิวติ้ง

ในอนาคต การตรวจจับวิดีโอกำลังพัฒนาไปสู่ความเป็นเรียลไทม์และน้ำหนักเบา การออกแบบอัลกอริทึมใหม่ให้ความสำคัญกับ:

ประสิทธิภาพการคำนวณ: พัฒนาอัลกอริทึมตรวจจับน้ำหนักเบาที่ทำงานบนอุปกรณ์มือถือได้ เพื่อลดการพึ่งพาบริการคลาวด์

ความเป็นเรียลไทม์: ทำให้สามารถตรวจจับแบบเรียลไทม์ระหว่างกระบวนการอัปโหลดวิดีโอ แทนรูปแบบการประมวลผลภายหลังแบบดั้งเดิม

การคุ้มครองความเป็นส่วนตัว: ตรวจจับคอนเทนต์ภายใต้เงื่อนไขการคุ้มครองความเป็นส่วนตัวของผู้ใช้ เพื่อหลีกเลี่ยงการรั่วไหลของเนื้อหาวิดีโอต้นฉบับ

การเปรียบเทียบประสิทธิภาพของอัลกอริทึม

อัลกอริทึมการตรวจจับแต่ละแบบมีข้อได้เปรียบและสถานการณ์ใช้งานที่เหมาะสมแตกต่างกัน:

MD5 แฮชเหมาะสำหรับตรวจจับไฟล์ที่เหมือนกันทุกประการ มีความเร็วและความแม่นยำสูงมาก แต่ไม่สามารถจัดการกับการแก้ไขในรูปแบบใด ๆ ได้

แฮชเชิงรับรู้สร้างสมดุลที่ดีระหว่างความเร็วและความทนทาน เหมาะสำหรับตรวจจับคอนเทนต์ที่ถูกแก้ไขเล็กน้อย และเป็นเทคโนโลยีที่แพลตฟอร์มส่วนใหญ่เลือกใช้เป็นอันดับแรก

ลายนิ้วมือเสียงมีความแม่นยำสูงมากในการตรวจจับเนื้อหาเสียง แม้ในสภาพที่มีเสียงรบกวนพื้นหลังก็ยังคงรักษาประสิทธิภาพที่ดีได้ แต่มีความซับซ้อนในการคำนวณค่อนข้างสูง

วิธีการเรียนรู้เชิงลึกสามารถเข้าใจเนื้อหาเชิงความหมายของวิดีโอ และมีความสามารถในการตรวจจับที่แข็งแกร่งต่อการตัดต่อที่ซับซ้อน แต่ต้องใช้ทรัพยากรการคำนวณและข้อมูลฝึกจำนวนมาก

การวิเคราะห์เชิงลำดับเวลาเหมาะสำหรับตรวจจับการต่อและการจัดเรียงใหม่ของคลิปวิดีโอ แต่ความเร็วในการประมวลผลค่อนข้างช้า จึงมักใช้เป็นวิธีตรวจสอบยืนยันระดับที่สอง

ในการใช้งานจริง แพลตฟอร์มวิดีโอมักใช้กลยุทธ์การผสานหลายอัลกอริทึม โดยเลือกชุดอัลกอริทึมที่เหมาะสมที่สุดแบบไดนามิกตามคุณลักษณะของวิดีโอและความต้องการในการตรวจจับ สถาปัตยกรรมการตรวจจับแบบแบ่งชั้นนี้ไม่เพียงรับประกันความครอบคลุมของการตรวจจับ แต่ยังคำนึงถึงประสิทธิภาพการคำนวณและการควบคุมต้นทุนด้วย

ส่งท้าย