「cs.MM」カテゴリーアーカイブ

MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions

投稿日: 2024年7月31日 作成者: jarxiv

要約 大規模なマルチモダリティ データセットは、大規模なビデオ言語モデルの成功を … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions はコメントを受け付けていません

AxiomVision: Accuracy-Guaranteed Adaptive Visual Model Selection for Perspective-Aware Video Analytics

投稿日: 2024年7月31日 作成者: jarxiv

要約 マルチメディアおよびコンピュータ ビジョン テクノロジの急速な進化には、多 … 続きを読む →

カテゴリー: cs.AI, cs.MM | AxiomVision: Accuracy-Guaranteed Adaptive Visual Model Selection for Perspective-Aware Video Analytics はコメントを受け付けていません

Leveraging Pre-trained AudioLDM for Sound Generation: A Benchmark Study

投稿日: 2024年7月30日 作成者: jarxiv

要約 ディープ ニューラル ネットワークは最近、サウンド生成において画期的な進歩 … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | Leveraging Pre-trained AudioLDM for Sound Generation: A Benchmark Study はコメントを受け付けていません

AxiomVision: Accuracy-Guaranteed Adaptive Visual Model Selection for Perspective-Aware Video Analytics

投稿日: 2024年7月30日 作成者: jarxiv

要約 マルチメディアおよびコンピュータ ビジョン テクノロジの急速な進化には、多 … 続きを読む →

カテゴリー: cs.AI, cs.MM | AxiomVision: Accuracy-Guaranteed Adaptive Visual Model Selection for Perspective-Aware Video Analytics はコメントを受け付けていません

Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention

投稿日: 2024年7月29日 作成者: jarxiv

要約 感情を理解することは、人間のコミュニケーションの基本的な側面です。 オーデ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM, cs.SD, eess.AS, F.2.2 | Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention はコメントを受け付けていません

LookupForensics: A Large-Scale Multi-Task Dataset for Multi-Phase Image-Based Fact Verification

投稿日: 2024年7月29日 作成者: jarxiv

要約 偽造画像の急増、特にディープフェイクコンテンツの津波の中で、偽造技術の継続 … 続きを読む →

カテゴリー: cs.CV, cs.MM | LookupForensics: A Large-Scale Multi-Task Dataset for Multi-Phase Image-Based Fact Verification はコメントを受け付けていません

Every Part Matters: Integrity Verification of Scientific Figures Based on Multimodal Large Language Models

投稿日: 2024年7月29日 作成者: jarxiv

要約 この論文は、科学的数値の解釈における重要な問題、つまりテキストと図のきめ細 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.DL, cs.MM | Every Part Matters: Integrity Verification of Scientific Figures Based on Multimodal Large Language Models はコメントを受け付けていません

Selective Vision-Language Subspace Projection for Few-shot CLIP

投稿日: 2024年7月29日 作成者: jarxiv

要約 CLIP などの視覚言語モデルは、さまざまなモダリティ データを統一された … 続きを読む →

カテゴリー: cs.CV, cs.MM | Selective Vision-Language Subspace Projection for Few-shot CLIP はコメントを受け付けていません

Shapley Value-based Contrastive Alignment for Multimodal Information Extraction

投稿日: 2024年7月26日 作成者: jarxiv

要約 ソーシャル メディアの台頭とマルチモーダル コミュニケーションの急激な成長 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM | Shapley Value-based Contrastive Alignment for Multimodal Information Extraction はコメントを受け付けていません

ReCorD: Reasoning and Correcting Diffusion for HOI Generation

投稿日: 2024年7月26日 作成者: jarxiv

要約 拡散モデルは、自然言語を活用してマルチメディア コンテンツの作成をガイドす … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | ReCorD: Reasoning and Correcting Diffusion for HOI Generation はコメントを受け付けていません