「cs.MM」カテゴリーアーカイブ

Sound Demixing Challenge 2023 Music Demixing Track Technical Report: TFC-TDF-UNet v3

投稿日: 2023年6月27日 作成者: jarxiv

要約 このレポートでは、サウンド デミキシング チャレンジ 2023 の音楽デミ … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS | Sound Demixing Challenge 2023 Music Demixing Track Technical Report: TFC-TDF-UNet v3 はコメントを受け付けていません

Aligning Large Multi-Modal Model with Robust Instruction Tuning

投稿日: 2023年6月27日 作成者: jarxiv

要約 マルチモーダル タスクにおける有望な進歩にもかかわらず、現在の大規模マルチ … 続きを読む →

カテゴリー: cs.AI, cs.CE, cs.CL, cs.CV, cs.MM | Aligning Large Multi-Modal Model with Robust Instruction Tuning はコメントを受け付けていません

FunQA: Towards Surprising Video Comprehension

投稿日: 2023年6月27日 作成者: jarxiv

要約 面白いクリップ、創造的なパフォーマンス、視覚的な錯覚など、驚くべきビデオは … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | FunQA: Towards Surprising Video Comprehension はコメントを受け付けていません

TACOformer:Token-channel compounded Cross Attention for Multimodal Emotion Recognition

投稿日: 2023年6月26日 作成者: jarxiv

要約 最近、生理学的信号に基づく感情認識が集中的に研究されている分野として浮上し … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS | TACOformer:Token-channel compounded Cross Attention for Multimodal Emotion Recognition はコメントを受け付けていません

On Uni-Modal Feature Learning in Supervised Multi-Modal Learning

投稿日: 2023年6月26日 作成者: jarxiv

要約 マルチモーダル データの特徴 (つまり、学習された表現) を、1) ユニモ … 続きを読む →

カテゴリー: cs.CV, cs.MM | On Uni-Modal Feature Learning in Supervised Multi-Modal Learning はコメントを受け付けていません

DiffWA: Diffusion Models for Watermark Attack

投稿日: 2023年6月23日 作成者: jarxiv

要約 ディープ ニューラル ネットワーク (DNN) の急速な発展に伴い、多くの … 続きを読む →

カテゴリー: cs.CV, cs.MM, eess.IV | DiffWA: Diffusion Models for Watermark Attack はコメントを受け付けていません

Knowledge-based Multimodal Music Similarity

投稿日: 2023年6月22日 作成者: jarxiv

要約 音楽の類似性は、音楽検索、推奨システム、および音楽分析にとって重要な側面で … 続きを読む →

カテゴリー: cs.AI, cs.IR, cs.LG, cs.MM, cs.SD, eess.AS | Knowledge-based Multimodal Music Similarity はコメントを受け付けていません

RS5M: A Large Scale Vision-Language Dataset for Remote Sensing Vision-Language Foundation Model

投稿日: 2023年6月21日 作成者: jarxiv

要約 広範な画像とテキストのペアデータを利用した事前トレーニング済みの視覚言語基 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | RS5M: A Large Scale Vision-Language Dataset for Remote Sensing Vision-Language Foundation Model はコメントを受け付けていません

MSVD-Indonesian: A Benchmark for Multimodal Video-Text Tasks in Indonesian

投稿日: 2023年6月21日 作成者: jarxiv

要約 ビデオおよびテキスト データのマルチモーダル学習は、テキストからビデオへの … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM, eess.IV | MSVD-Indonesian: A Benchmark for Multimodal Video-Text Tasks in Indonesian はコメントを受け付けていません

Low-complexity Multidimensional DCT Approximations

投稿日: 2023年6月21日 作成者: jarxiv

要約 この論文では、複雑さの低い多次元離散コサイン変換 (DCT) 近似を紹介し … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SY, eess.IV, eess.SY, stat.ME | Low-complexity Multidimensional DCT Approximations はコメントを受け付けていません