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:2506.02247v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.02247v1 (cs)
[提交于 2025年6月2日 ]

标题: PAIR-Net:通过预训练的音视频融合与对齐损失增强自我中心说话者检测

标题: PAIR-Net: Enhancing Egocentric Speaker Detection via Pretrained Audio-Visual Fusion and Alignment Loss

Authors:Yu Wang, Juhyung Ha, David J. Crandall
摘要: 第一人称视频中的说话人检测(ASD)由于视点不稳定、运动模糊以及语音来源超出画面范围等因素,带来了独特的挑战——在这些条件下,传统的视觉为中心的方法会显著退化。 我们提出了PAIR-Net(预训练的带正则化的音频-视觉集成网络),这是一种有效的模型,它将部分冻结的Whisper音频编码器与经过微调的AV-HuBERT视觉主干相结合,以稳健地融合跨模态线索。 为了对抗模态不平衡,我们引入了一种跨模态对齐损失,该损失同步音频和视觉表示,从而在模态间实现更一致的收敛。 无需依赖多说话人上下文或理想的正面视图,PAIR-Net在Ego4D ASD基准测试中达到了76.6%的mAP,分别超过了LoCoNet和STHG 8.2%和12.9%的mAP。 我们的结果显示了预训练音频先验和基于对齐的融合在真实的第一人称条件下进行鲁棒ASD的价值。
摘要: Active speaker detection (ASD) in egocentric videos presents unique challenges due to unstable viewpoints, motion blur, and off-screen speech sources - conditions under which traditional visual-centric methods degrade significantly. We introduce PAIR-Net (Pretrained Audio-Visual Integration with Regularization Network), an effective model that integrates a partially frozen Whisper audio encoder with a fine-tuned AV-HuBERT visual backbone to robustly fuse cross-modal cues. To counteract modality imbalance, we introduce an inter-modal alignment loss that synchronizes audio and visual representations, enabling more consistent convergence across modalities. Without relying on multi-speaker context or ideal frontal views, PAIR-Net achieves state-of-the-art performance on the Ego4D ASD benchmark with 76.6% mAP, surpassing LoCoNet and STHG by 8.2% and 12.9% mAP, respectively. Our results highlight the value of pretrained audio priors and alignment-based fusion for robust ASD under real-world egocentric conditions.
评论: 4页,1个图,1个表格
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.02247 [cs.CV]
  (或者 arXiv:2506.02247v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.02247
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yu Wang [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 20:49:52 UTC (250 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.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

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