Raki的读paper小记Audio Captioning with Composition of Acoustic and Semantic Information
Abstract & Introduction & Related Work
- 研究任务
音频字幕 - 已有方法和相关工作
- 面临挑战
- 创新思路
加入了语义信息,使用了semantic embedding,梅尔能源特征,VGGish embedding - 实验结论
sota
Proposed Method
log Mel特征和部分标题是分开编码的
首先从音频信号里面抽取PANNs audio embedding,然后从每个音频片段的标题中提取主语-动词嵌入,把这两个embedding concat起来
Audio Features
Acoustic Content
我们使用96毫秒的汉明窗提取对数梅尔能量特征,重叠率为50%,每帧获得64个对数梅尔能量
将频带设置为125到7500 Hz
Audio Embeddings
使用VGGish模型和PANNs embedding来抽取音频特征
在不同的PANNS架构中,我们使用Wavegram-Logmel-CNN14模型作为特征提取器
Subject-Verb Embedding
为了提取语义嵌入,每个数据集的主语-动词嵌入向量都是单独获得的。首先,每个音频记录的每个音频标题都由斯坦福解析器处理,并提取标题的主语和动词。为了减少维度,我们使用主语和动词的词根形式。然后,通过消除重复的词来收集主语和动词,并创建主语-动词嵌入列表。提取主语-动词嵌入的算法在算法1中给出
测试音频片段中抽取主语-动词embedding的过程:
Encoder
GRU的公式…
使用Word2Vec作为text embedding
Decoder
解码器使用编码的音频、主语-动词嵌入和以前的部分字幕,逐字预测部分字幕。GRU被用来解码音频和文本表示法。拟议的GRU层由128个单元组成。我们在全连接层之后使用Sof tmax。解码器逐字进行预测,预测词的序列给出字幕。我们提出的RNN-GRU-EncDec训练算法在算法2中给出
RESULTS
CONCLUSION
根据这些结果,我们未来的研究方向是努力改善语言建模,并使用数据增强技术,试图提高我们模型的性能。在音频字幕上获得更好的结果可以在音频分析中产生改进。此外,可以研究多模态模型来提高视频应用的性能,如视频字幕、视频检索和监控系统,这些系统主要由音频和视频分析组成
Remark
首先吐槽,你说自己的model很novel,你novel个蛇皮
其次,paper里面的图居然不是矢量图…模糊的一批,我人晕了
但是work了,那就勉强还行吧
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhfijifi
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
怎样阻止微信小程序自动打开
PHP中文网 06-13 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01