Как Google идентифицирует дубликаты и защищенный авторским правом видеоконтент с помощью 3D-отпечатков

Термины и определения

Video Fingerprint (Цифровой отпечаток видео)

Компактное представление пространственных и временных характеристик видеосегмента. Представляет собой одномерный битовый вектор, полученный после 3D-преобразования и квантования.

Fingerprint Sequence (Последовательность отпечатков)

Упорядоченный набор цифровых отпечатков, сгенерированных для всех сегментов одного видеофайла.

Three-Dimensional (3D) Transform (Трехмерное преобразование)

Математическое преобразование, применяемое к видеосегменту в трех измерениях: два пространственных (X, Y) и одно временное (t). Используется для вычисления частотной информации о перепадах яркости (гранях) в пространстве и времени.

Haar Wavelet Transform (Вейвлет-преобразование Хаара)

Конкретный тип вейвлет-преобразования, предложенный в качестве одного из вариантов реализации 3D Transform. Он вычисляет суммы и разности соседних значений (пикселей или групп пикселей).

Spatial Information (Пространственная информация)

Данные, определяемые расположением пикселей в пределах одного кадра (X и Y направления).

Sequential/Temporal Information (Временная информация)

Данные, определяемые изменением пикселей между последовательными кадрами (направление t).

Normalization (Нормализация)

Предварительная обработка видео для приведения его к стандартному формату (например, 64x64 пикселя, 15 кадров в секунду, оттенки серого/luminance) перед созданием отпечатка.

Segmentation (Сегментация)

Процесс разделения нормализованного видео на несколько временных сегментов (групп кадров). Сегменты обычно перекрываются для устойчивости к временным сдвигам.

Quantization (Квантование)

Процесс сокращения объема данных после преобразования. Включает выбор N наиболее значимых коэффициентов и их кодирование (например, +1, -1 или 0).

Min-hash (Мин-хэширование)

Техника индексирования для быстрого поиска похожих элементов. Используется для создания "сигнатуры" (signature) отпечатка, которая меньше по размеру, но сохраняет его основные характеристики.

Locality Sensitive Hashing (LSH, Локально-чувствительное хэширование)

Техника хэширования, используемая для индексирования сигнатур и быстрого поиска кандидатов на совпадение. Сигнатуры делятся на блоки (signature blocks) и помещаются в хеш-таблицы.

Ключевые утверждения (Анализ Claims)

Патент описывает внутренние процессы Google без прямых рекомендаций для SEO.

Claim 1 (Независимый пункт): Описывает основной метод создания и использования видеоотпечатков.

1. Система получает видео и сегментирует его на несколько сегментов.
2. Выполняется трехмерное преобразование (three-dimensional transform) кадров первого сегмента для генерации трехмерного вейвлета (three-dimensional wavelet).
3. Ключевое уточнение: этот вейвлет представляет как пространственную информацию (spatial information) внутри кадров, так и последовательные характеристики (sequential characteristics) между кадрами.
4. Трехмерный вейвлет квантуется для создания первого цифрового отпечатка.
5. Последовательность отпечатков (video fingerprint sequence) сохраняется в памяти.
6. Последовательность отпечатков сравнивается с эталонной последовательностью (reference fingerprint sequence).
7. На основе сравнения определяется сходство (similarity).

Ядром изобретения является использование именно трехмерного преобразования для создания отпечатка, который фиксирует не только внешний вид кадров, но и то, как они меняются во времени.

Claim 2 (Зависимый от 1): Уточняет, что трехмерное преобразование может быть реализовано как Haar wavelet transform, применяемое к каждой строке (row), столбцу (column) и временной колонке (time column).

Claim 5 (Зависимый от 1): Указывает, что видеосегменты могут перекрываться (например, второй сегмент перекрывает первый на один или более кадров).

Claim 6 (Зависимый от 1): Детализирует процесс квантования.

1. Выбирается подмножество из N коэффициентов трехмерного вейвлета.
2. Отрицательные коэффициенты из этого набора устанавливаются в первое фиксированное значение (например, -1).
3. Положительные коэффициенты устанавливаются во второе фиксированное значение (например, +1).
4. Остальные коэффициенты (не вошедшие в набор N) устанавливаются в третье фиксированное значение (например, 0).

Этот шаг критически важен для создания компактного и устойчивого отпечатка, фокусирующегося на наиболее значимых характеристиках видео.

Claim 8 (Зависимый от 6): Уточняет, что выбор N коэффициентов осуществляется путем выбора N коэффициентов с наибольшей магнитудой (абсолютным значением).

Где и как применяется

Этот патент описывает инфраструктурную технологию обработки и идентификации видеоконтента. Он применяется на ранних этапах поисковой архитектуры.

CRAWLING – Сканирование и Сбор данных (Ingestion)

На этапе приема (ingestion) видеоконтента (например, при загрузке на YouTube) система (Ingest Server) может использовать этот механизм для немедленной проверки входящего видео на предмет совпадения с защищенным авторским правом контентом или существующими дубликатами.

INDEXING – Индексирование и извлечение признаков

Основное применение патента. Это механизм извлечения признаков (Feature Extraction) для видео. Fingerprinting Module обрабатывает "сырой" видеоконтент, анализирует его пространственные и временные характеристики и генерирует стабильный, компактный идентификатор (video fingerprint sequence). Indexing Module сохраняет этот идентификатор в базе данных (Reference Database) для последующего сравнения и организации контента.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование

Патент напрямую не участвует в ранжировании, но его результаты используются на этих этапах. Matching Module может использовать данные об отпечатках для группировки дубликатов в результатах поиска (дедупликация) и выбора канонической версии видео для показа пользователю.

Входные данные:

• Сырой видеофайл (Video Source).
• Пиксельные данные (яркость, цвет).

Выходные данные:

• Video Fingerprint Sequence (последовательность битовых векторов).
• Индексированные сигнатуры отпечатков (Signatures), сохраненные в хэш-таблицах в Reference Database.
• Результаты сравнения (Matching Score).

На что влияет

• Типы контента: Влияет исключительно на видеоконтент.
• Форматы контента: Механизм разработан так, чтобы быть устойчивым к различным форматам, разрешениям, частотам кадров и методам сжатия.
• Ниши: Наиболее критичен в нишах с высоким уровнем пиратства или дублирования (музыка, кино, популярные шоу).

Когда применяется

• При загрузке нового видео: Для проверки на дубликаты и нарушение авторских прав.
• При обработке видео для индексации: Для создания уникального идентификатора контента.
• При выполнении поиска по видео (Query-by-video): Когда пользователь или система (например, правообладатель) ищет видео, похожее на образец.
• При организации библиотеки: Для периодического поиска и удаления дубликатов в хранилище.

Пошаговый алгоритм

Процесс А: Генерация последовательности отпечатков видео

1. Нормализация входного видео:
   • Конвертация частоты кадров (например, до 15 fps).
   • Конвертация размера кадра (например, до 64x64 пикселя).
   • Конвертация цвета (например, в оттенки серого/яркость (luminance)).
2. Сегментация видео: Видео разделяется на перекрывающиеся сегменты фиксированной длины (например, 64 кадра с шагом 16 кадров).
3. Трехмерное преобразование (для каждого сегмента): Применяется 3D Transform (например, Haar wavelet transform) последовательно в трех измерениях:
   • Преобразование строк (X).
   • Преобразование столбцов (Y).
   • Преобразование временных колонок (t) (пиксели на одной и той же позиции X, Y в разных кадрах).
   Результат — трехмерный массив коэффициентов.
4. Квантование (для каждого сегмента):
   • Определение N коэффициентов с наибольшей абсолютной величиной.
   • Кодирование этих коэффициентов: положительные в +1, отрицательные в -1.
   • Установка всех остальных коэффициентов в 0.
5. Кодирование и сжатие (для каждого сегмента): Трехмерный массив квантованных коэффициентов преобразуется ("сплющивается") в одномерный битовый вектор (цифровой отпечаток сегмента).
6. Формирование последовательности: Упорядоченный набор отпечатков всех сегментов формирует Fingerprint Sequence видео.

Процесс Б: Индексирование и сопоставление

1. Генерация сигнатуры (Min-hash): К битовому вектору отпечатка применяется набор предопределенных перестановок (P). Для каждой перестановки фиксируется позиция первой "1". Набор этих позиций формирует сигнатуру отпечатка.
2. Индексирование (LSH): Сигнатура разбивается на блоки (signature blocks). Каждый блок помещается в отдельную хэш-таблицу, где хранится идентификатор видеосегмента.
3. Сопоставление (Matching): При получении нового видео его сигнатуры хэшируются. Система подсчитывает количество совпадающих блоков сигнатур с эталонными видео в базе данных.
4. Оценка совпадения: Определяются эталонные отпечатки, чей Matching Score превышает порог.
5. Анализ последовательности: Система ищет эталонные видео с наиболее длинной последовательностью совпадающих сегментов с новым видео.

Какие данные и как использует

Данные на входе

Патент фокусируется на обработке визуальных данных видео.

• Контентные факторы (Визуальные) / Мультимедиа факторы: Основные данные — это значения пикселей. Система анализирует яркость (luminance) пикселей после нормализации видео в оттенки серого. Анализируются как значения внутри одного кадра (пространственные данные), так и изменения этих значений между кадрами (временные данные).

Другие типы факторов (ссылочные, поведенческие, текстовые и т.д.) в этом патенте не упоминаются.

Какие метрики используются и как они считаются

• Коэффициенты вейвлет-преобразования: Метрики, отражающие частотную информацию о перепадах яркости (гранях) в видеосегменте. Например, при использовании Haar wavelet transform они вычисляются как разности между суммами соседних диапазонов пикселей.
• Магнитуда (Абсолютное значение) коэффициентов: Используется на этапе квантования для определения наиболее значимых характеристик.
• N (Количество коэффициентов): Порог, определяющий, сколько наиболее значимых коэффициентов будет сохранено в отпечатке.
• Signature (Сигнатура): Компактное представление отпечатка, полученное с помощью Min-hash. Состоит из P значений местоположения.
• Matching Score (Оценка совпадения): Метрика, определяющая сходство между двумя отпечатками. Рассчитывается на основе количества совпадающих блоков сигнатур (signature blocks) при индексировании через LSH.

1. Идентификация основана на визуальном и временном контенте: Google использует математически строгий метод для идентификации видео, который анализирует не метаданные или аудио, а непосредственно визуальное содержание и его изменение во времени (движение, сцены).
2. Устойчивость к модификациям (Robustness): Механизм 3D-вейвлет преобразования и квантования специально разработан для того, чтобы игнорировать изменения, вызванные перекодированием, изменением разрешения, сжатием, обрезкой краев или небольшими изменениями в частоте кадров. Это делает системы типа Content ID и обнаружение дубликатов очень надежными.
3. Важность временного компонента (3-е измерение): В отличие от систем сравнения изображений, которые анализируют только отдельные кадры (2D), этот патент подчеркивает важность анализа последовательности кадров (3D). Это значительно повышает точность идентификации видео.
4. Эффективность масштабирования: Использование агрессивного квантования и методов индексирования (Min-hash и LSH) позволяет Google сравнивать миллиарды видео за приемлемое время, делая систему применимой в масштабах YouTube.
5. Инфраструктурная основа для VSEO: Хотя патент не дает прямых рекомендаций по ранжированию, он показывает, как Google устанавливает "личность" видео. Это является основой для каноникализации видеоконтента в поиске.

Best practices (это мы делаем)

• Фокус на уникальности визуального контента: Для Video SEO критически важно создавать действительно уникальный визуальный ряд. Поскольку система анализирует пространственные и временные характеристики, уникальность должна быть не только в теме, но и в ее визуальной подаче (съемка, монтаж, графика).
• Понимание каноникализации видео: При наличии нескольких копий одного видео (например, на сайте и на YouTube) Google с высокой точностью определит, что это один и тот же контент, используя этот механизм. Необходимо стратегически подходить к дистрибуции контента и понимать, какая версия будет выбрана в качестве канонической.
• Управление правами и дубликатами: Если вы управляете большой библиотекой видео или занимаетесь дистрибуцией контента, используйте инструменты, основанные на подобных технологиях (например, YouTube Content ID), для отслеживания использования вашего контента и управления дубликатами.

Worst practices (это делать не надо)

• Попытки "уникализации" видео косметическими правками: Бесполезно пытаться обойти системы обнаружения дубликатов или Content ID путем добавления рамок, изменения скорости воспроизведения, изменения разрешения, обрезки начала/конца или повторного сжатия видео. Описанный механизм 3D-отпечатков устойчив к таким манипуляциям.
• Использование чужого контента без значительной переработки: Вставка фрагментов чужого видеоконтента будет обнаружена, так как система анализирует видео по сегментам. Если вы используете чужой контент (например, в рамках добросовестного использования), он должен быть существенно переработан или дополнен оригинальным материалом.
• Игнорирование проблем с дубликатами при дистрибуции: Распространение одного и того же видео на разных каналах или платформах без четкой стратегии может привести к размыванию сигналов ранжирования между дубликатами.

Стратегическое значение

Патент подтверждает технологические возможности Google в области анализа и идентификации видеоконтента в масштабе. Для SEO-стратегии это означает, что в области видеоконтента Google обладает мощными инструментами для понимания того, что именно содержит видео, и кто является его первоисточником (или, по крайней мере, какая версия является канонической). Стратегия VSEO должна строиться на создании ценного и визуально уникального контента, поскольку технические манипуляции для имитации уникальности неэффективны.

Практические примеры

Сценарий 1: Стратегия дистрибуции и каноникализация

Компания создает промо-ролик и планирует его дистрибуцию на своем сайте, корпоративном канале YouTube и в социальных сетях.

• Понимание механизма: SEO-специалист должен понимать, что Google идентифицирует все эти копии как одно и то же видео благодаря 3D-отпечаткам.
• Стратегия: Необходимо решить, какая платформа является приоритетной для ранжирования в Google Search. Если это YouTube, основные усилия по оптимизации (метаданные, продвижение) должны быть направлены туда. Если это сайт, необходимо использовать Video rich snippets и XML Video Sitemaps, чтобы указать Google на эту версию, хотя Google все равно может предпочесть версию YouTube.
• Ожидаемый результат: Консолидация сигналов ранжирования на канонической версии видео и избежание внутренней конкуренции между дубликатами в выдаче.

Сценарий 2: Создание обзора на основе чужого видеоряда (Fair Use)

Видеоблогер хочет создать обзор нового продукта, используя официальные видеоматериалы производителя.

• Понимание механизма: Блогер должен понимать, что простое наложение своего голоса на чужой видеоряд не сделает видео уникальным с точки зрения визуальных отпечатков. Система Google (и Content ID) идентифицирует использование исходного видео.
• Стратегия: Чтобы создать уникальный контент и снизить риски претензий, необходимо перемежать фрагменты исходного видео с собственными съемками, добавлять значительное количество оригинальной графики, использовать режим "картинка в картинке" или существенно изменять монтаж.
• Ожидаемый результат: Снижение риска блокировки контента по Content ID и повышение шансов на ранжирование видео как уникального обзора, а не дубликата промо-материалов.