计算机科学 > 计算机视觉与模式识别
[提交于 2025年9月4日
]
标题: TEn-CATS:具有多尺度类别感知时间图的文本增强音视频视频解析
标题: TEn-CATS: Text-Enriched Audio-Visual Video Parsing with Multi-Scale Category-Aware Temporal Graph
摘要: 音频-视觉视频解析(AVVP)任务旨在通过弱监督标签识别给定视频中的事件类别及其发生时间。 现有方法通常分为两类:(i) 基于注意力机制设计增强架构以实现更好的时间建模,以及 (ii) 生成更丰富的伪标签以弥补帧级标注的缺失。 然而,第一类方法将噪声段级伪标签视为可靠的监督,第二类方法让无差别的注意力在所有帧中扩散,初始错误在训练过程中被反复放大。 为了解决这个问题,我们提出了一种结合双向文本融合(BiT)模块和类别感知时间图(CATS)模块的方法。 具体而言,我们整合了前两种研究方向的优势和互补性。 我们首先通过BiT模块对音频和视觉模态特征进行语义注入和动态校准,以定位并净化更清洁、更丰富的语义线索。 然后,我们利用CATS模块进行语义传播和连接,以实现时间上的精确语义信息传播。 实验结果表明,我们的方法在两个基准数据集LLP和UnAV-100的多个关键指标上达到了最先进的性能(SOTA)。
文献和引用工具
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
推荐器和搜索工具
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.