Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2409.00486

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2409.00486 (cs)
[提交于 2024年8月31日 ]

标题: 多尺度多实例视觉声音定位与分割

标题: Multi-scale Multi-instance Visual Sound Localization and Segmentation

Authors:Shentong Mo, Haofan Wang
摘要: 视觉声源定位是一个典型且具有挑战性的问题,旨在预测视频中与声源相对应的物体位置。 先前的方法主要利用全局音频与单尺度视觉特征之间的视听关联来定位每张图像中的发声物体。 尽管这些方法表现良好,但它们忽略了相应图像的多尺度视觉特征,并且无法像真实标签那样学习判别区域。 为了解决这个问题,我们提出了一种新颖的多尺度多实例视觉声源定位框架,即M2VSL,该框架可以直接从输入图像中学习与声源相关的多尺度语义特征以定位发声物体。 具体而言,我们的M2VSL利用可学习的多尺度视觉特征,在相应图像的多级位置上对视听表示进行对齐。 我们还引入了一种新颖的多尺度多实例变换器,用于动态聚合多尺度跨模态表示以实现视觉声源定位。 我们在VGGSound-Instruments、VGG-Sound Sources和AVSBench基准数据集上进行了广泛的实验。 结果表明,所提出的M2VSL在发声物体定位和分割方面可以达到最先进的性能。
摘要: Visual sound localization is a typical and challenging problem that predicts the location of objects corresponding to the sound source in a video. Previous methods mainly used the audio-visual association between global audio and one-scale visual features to localize sounding objects in each image. Despite their promising performance, they omitted multi-scale visual features of the corresponding image, and they cannot learn discriminative regions compared to ground truths. To address this issue, we propose a novel multi-scale multi-instance visual sound localization framework, namely M2VSL, that can directly learn multi-scale semantic features associated with sound sources from the input image to localize sounding objects. Specifically, our M2VSL leverages learnable multi-scale visual features to align audio-visual representations at multi-level locations of the corresponding image. We also introduce a novel multi-scale multi-instance transformer to dynamically aggregate multi-scale cross-modal representations for visual sound localization. We conduct extensive experiments on VGGSound-Instruments, VGG-Sound Sources, and AVSBench benchmarks. The results demonstrate that the proposed M2VSL can achieve state-of-the-art performance on sounding object localization and segmentation.
主题: 计算机视觉与模式识别 (cs.CV) ; 机器学习 (cs.LG); 多媒体 (cs.MM); 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2409.00486 [cs.CV]
  (或者 arXiv:2409.00486v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2409.00486
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Shentong Mo [查看电子邮件]
[v1] 星期六, 2024 年 8 月 31 日 15:43:22 UTC (1,018 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-09
切换浏览方式为:
cs
cs.CV
cs.MM
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号