「cs.MM」カテゴリーアーカイブ

Improving Multimodal Learning with Multi-Loss Gradient Modulation

投稿日: 2024年5月14日 作成者: jarxiv

要約 オーディオやビデオなどの複数のモダリティから学習すると、補完的な情報を活用 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | Improving Multimodal Learning with Multi-Loss Gradient Modulation はコメントを受け付けていません

Multimodal Multi-loss Fusion Network for Sentiment Analysis

投稿日: 2024年5月10日 作成者: jarxiv

要約 この論文では、複数のモダリティにわたる特徴エンコーダーの最適な選択と融合を … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.MM | Multimodal Multi-loss Fusion Network for Sentiment Analysis はコメントを受け付けていません

CMMU: A Benchmark for Chinese Multi-modal Multi-type Question Understanding and Reasoning

投稿日: 2024年5月9日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は目覚ましい進歩を遂げ、強力 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM | CMMU: A Benchmark for Chinese Multi-modal Multi-type Question Understanding and Reasoning はコメントを受け付けていません

SVDD Challenge 2024: A Singing Voice Deepfake Detection Challenge Evaluation Plan

投稿日: 2024年5月9日 作成者: jarxiv

要約 AI によって生成された歌声の急速な進歩により、自然な人間の歌声が忠実に模 … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | SVDD Challenge 2024: A Singing Voice Deepfake Detection Challenge Evaluation Plan はコメントを受け付けていません

Reviewing Intelligent Cinematography: AI research for camera-based video production

投稿日: 2024年5月9日 作成者: jarxiv

要約 この論文は、エンターテインメント目的での実際のカメラ コンテンツ取得のコン … 続きを読む →

カテゴリー: cs.CV, cs.MM | Reviewing Intelligent Cinematography: AI research for camera-based video production はコメントを受け付けていません

Multi-scale Bottleneck Transformer for Weakly Supervised Multimodal Violence Detection

投稿日: 2024年5月9日 作成者: jarxiv

要約 弱監視マルチモーダル暴力検出は、RGB、オプティカル フロー、オーディオな … 続きを読む →

カテゴリー: cs.CV, cs.MM | Multi-scale Bottleneck Transformer for Weakly Supervised Multimodal Violence Detection はコメントを受け付けていません

Picking watermarks from noise (PWFN): an improved robust watermarking model against intensive distortions

投稿日: 2024年5月9日 作成者: jarxiv

要約 電子透かしは、人間の目には検出できない方法で画像を変更することで秘密情報を … 続きを読む →

カテゴリー: cs.CV, cs.MM, eess.IV | Picking watermarks from noise (PWFN): an improved robust watermarking model against intensive distortions はコメントを受け付けていません

Language Models as Black-Box Optimizers for Vision-Language Models

投稿日: 2024年5月8日 作成者: jarxiv

要約 Web スケールのデータセットで事前トレーニングされたビジョン言語モデル … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM | Language Models as Black-Box Optimizers for Vision-Language Models はコメントを受け付けていません

CLIP as RNN: Segment Countless Visual Concepts without Training Endeavor

投稿日: 2024年5月8日 作成者: jarxiv

要約 既存のオープンボキャブラリーの画像セグメンテーション手法では、マスク ラベ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM | CLIP as RNN: Segment Countless Visual Concepts without Training Endeavor はコメントを受け付けていません

DBDH: A Dual-Branch Dual-Head Neural Network for Invisible Embedded Regions Localization

投稿日: 2024年5月7日 作成者: jarxiv

要約 QRコードに代わる不可視のハイパーリンクや隠しコードを画像に埋め込むことが … 続きを読む →

カテゴリー: cs.CV, cs.MM | DBDH: A Dual-Branch Dual-Head Neural Network for Invisible Embedded Regions Localization はコメントを受け付けていません