「cs.MM」カテゴリーアーカイブ

A multimodal dynamical variational autoencoder for audiovisual speech representation learning

投稿日: 2024年2月21日 作成者: jarxiv

要約 この論文では、教師なし視聴覚音声表現学習に適用されるマルチモーダルで動的 … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS | A multimodal dynamical variational autoencoder for audiovisual speech representation learning はコメントを受け付けていません

Unified Hallucination Detection for Multimodal Large Language Models

投稿日: 2024年2月21日 作成者: jarxiv

要約 マルチモーダル タスクの大幅な進歩にも関わらず、マルチモーダル大規模言語モ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.IR, cs.LG, cs.MM | Unified Hallucination Detection for Multimodal Large Language Models はコメントを受け付けていません

Evaluating Image Review Ability of Vision Language Models

投稿日: 2024年2月20日 作成者: jarxiv

要約 大規模ビジョン言語モデル (LVLM) は、単一のモデルで画像とテキスト入 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Evaluating Image Review Ability of Vision Language Models はコメントを受け付けていません

Unified Hallucination Detection for Multimodal Large Language Models

投稿日: 2024年2月19日 作成者: jarxiv

要約 マルチモーダル タスクの大幅な進歩にも関わらず、マルチモーダル大規模言語モ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.IR, cs.LG, cs.MM | Unified Hallucination Detection for Multimodal Large Language Models はコメントを受け付けていません

Generative Cross-Modal Retrieval: Memorizing Images in Multimodal Language Models for Retrieval and Beyond

投稿日: 2024年2月19日 作成者: jarxiv

要約 生成言語モデルの最近の進歩により、文書から知識を記憶し、知識を思い出してユ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.IR, cs.MM | Generative Cross-Modal Retrieval: Memorizing Images in Multimodal Language Models for Retrieval and Beyond はコメントを受け付けていません

UniScene: Multi-Camera Unified Pre-training via 3D Scene Reconstruction

投稿日: 2024年2月16日 作成者: jarxiv

要約 マルチカメラ 3D 認識は、自動運転における著名な研究分野として浮上してお … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.RO | UniScene: Multi-Camera Unified Pre-training via 3D Scene Reconstruction はコメントを受け付けていません

Lester: rotoscope animation through video object segmentation and tracking

投稿日: 2024年2月16日 作成者: jarxiv

要約 この記事では、ビデオからレトロスタイルの 2D アニメーションを自動的に合 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.GR, cs.MM | Lester: rotoscope animation through video object segmentation and tracking はコメントを受け付けていません

MM-Point: Multi-View Information-Enhanced Multi-Modal Self-Supervised 3D Point Cloud Understanding

投稿日: 2024年2月16日 作成者: jarxiv

要約 知覚では、複数の感覚情報が統合されて、2D ビューからの視覚情報が 3D … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | MM-Point: Multi-View Information-Enhanced Multi-Modal Self-Supervised 3D Point Cloud Understanding はコメントを受け付けていません

Leveraging Pre-Trained Autoencoders for Interpretable Prototype Learning of Music Audio

投稿日: 2024年2月15日 作成者: jarxiv

要約 我々は、プロトタイプ学習に基づいた音楽オーディオ分類の解釈可能なモデル P … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | Leveraging Pre-Trained Autoencoders for Interpretable Prototype Learning of Music Audio はコメントを受け付けていません

LL-GABR: Energy Efficient Live Video Streaming Using Reinforcement Learning

投稿日: 2024年2月15日 作成者: jarxiv

要約 近年、ライブ ビデオ ストリーミング用のアダプティブ ビットレート (AB … 続きを読む →

カテゴリー: cs.AI, cs.MM | LL-GABR: Energy Efficient Live Video Streaming Using Reinforcement Learning はコメントを受け付けていません