「cs.MM」カテゴリーアーカイブ

MERGE — A Bimodal Dataset for Static Music Emotion Recognition

投稿日: 2024年7月9日 作成者: jarxiv

要約 音楽感情認識 (MER) 分野は、特徴エンジニアリング、機械学習、深層学習 … 続きを読む →

カテゴリー: cs.AI, cs.IR, cs.LG, cs.MM, cs.SD | MERGE — A Bimodal Dataset for Static Music Emotion Recognition はコメントを受け付けていません

Pseudo-triplet Guided Few-shot Composed Image Retrieval

投稿日: 2024年7月9日 作成者: jarxiv

要約 合成画像検索 (CIR) は、マルチモーダル クエリ (参照画像とそれに対 … 続きを読む →

カテゴリー: cs.CV, cs.MM | Pseudo-triplet Guided Few-shot Composed Image Retrieval はコメントを受け付けていません

EasyAnimate: A High-Performance Long Video Generation Method based on Transformer Architecture

投稿日: 2024年7月8日 作成者: jarxiv

要約 本稿では、トランスフォーマ・アーキテクチャのパワーを活用し、高性能な成果を … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | EasyAnimate: A High-Performance Long Video Generation Method based on Transformer Architecture はコメントを受け付けていません

VCoME: Verbal Video Composition with Multimodal Editing Effects

投稿日: 2024年7月8日 作成者: jarxiv

要約 ボイスオーバーやテキストオーバーレイを特徴とする言葉によるビデオは、価値あ … 続きを読む →

カテゴリー: cs.CV, cs.MM | VCoME: Verbal Video Composition with Multimodal Editing Effects はコメントを受け付けていません

MuDiT & MuSiT: Alignment with Colloquial Expression in Description-to-Song Generation

投稿日: 2024年7月4日 作成者: jarxiv

要約 生成的AIと人間の芸術的プロセスが交錯する中、本研究では、人間中心の自動作 … 続きを読む →

カテゴリー: 68Txx(Primary)14F05, 91Fxx(Secondary), cs.AI, cs.MM, cs.SD, eess.AS, I.2.7 | MuDiT & MuSiT: Alignment with Colloquial Expression in Description-to-Song Generation はコメントを受け付けていません

KeyVideoLLM: Towards Large-scale Video Keyframe Selection

投稿日: 2024年7月4日 作成者: jarxiv

要約 近年、Web動画の増加に伴い、大規模な動画データセットの管理と理解がますま … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | KeyVideoLLM: Towards Large-scale Video Keyframe Selection はコメントを受け付けていません

Relating CNN-Transformer Fusion Network for Change Detection

投稿日: 2024年7月4日 作成者: jarxiv

要約 ディープラーニング、特に畳み込みニューラルネットワーク（CNN）は、リモー … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM | Relating CNN-Transformer Fusion Network for Change Detection はコメントを受け付けていません

Video Watermarking: Safeguarding Your Video from (Unauthorized) Annotations by Video-based LLMs

投稿日: 2024年7月4日 作成者: jarxiv

要約 動画ベースの大規模言語モデル（LLM）の登場は、動画理解を著しく向上させた … 続きを読む →

カテゴリー: cs.CR, cs.CV, cs.MM | Video Watermarking: Safeguarding Your Video from (Unauthorized) Annotations by Video-based LLMs はコメントを受け付けていません

SlideAVSR: A Dataset of Paper Explanation Videos for Audio-Visual Speech Recognition

投稿日: 2024年7月3日 作成者: jarxiv

要約 オーディオビジュアル音声認識 (AVSR) は、自動音声認識 (ASR) … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | SlideAVSR: A Dataset of Paper Explanation Videos for Audio-Visual Speech Recognition はコメントを受け付けていません

SafaRi:Adaptive Sequence Transformer for Weakly Supervised Referring Expression Segmentation

投稿日: 2024年7月3日 作成者: jarxiv

要約 参照表現セグメンテーション (RES) は、テキストによって参照される画像 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | SafaRi:Adaptive Sequence Transformer for Weakly Supervised Referring Expression Segmentation はコメントを受け付けていません