「cs.SD」カテゴリーアーカイブ

MarginNCE: Robust Sound Localization with a Negative Margin

投稿日: 2022年11月4日 作成者: jarxiv

要約 本研究の目的は、自己教師付きアプローチにより、視覚的シーンにおける音源の位 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS, eess.IV | MarginNCE: Robust Sound Localization with a Negative Margin はコメントを受け付けていません

No-audio speaking status detection in crowded settings via visual pose-based filtering and wearable acceleration

投稿日: 2022年11月2日 作成者: jarxiv

要約 混雑したシーンで誰が話しているかを認識することは、内部で行われている社会的 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.SD, eess.AS | No-audio speaking status detection in crowded settings via visual pose-based filtering and wearable acceleration はコメントを受け付けていません

Combining Automatic Speaker Verification and Prosody Analysis for Synthetic Speech Detection

投稿日: 2022年11月1日 作成者: jarxiv

要約 メディア コンテンツ合成技術の急速な普及と、オーディオとビデオのディープフ … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Combining Automatic Speaker Verification and Prosody Analysis for Synthetic Speech Detection はコメントを受け付けていません

Multimodal Exponentially Modified Gaussian Oscillators

投稿日: 2022年10月31日 作成者: jarxiv

要約 音響モデリングは、ノイズ除去、データ再構築、モデルベースのテスト、分類など … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS, physics.app-ph | Multimodal Exponentially Modified Gaussian Oscillators はコメントを受け付けていません

Multimodal Transformer Distillation for Audio-Visual Synchronization

投稿日: 2022年10月28日 作成者: jarxiv

要約 視聴覚同期は、ビデオ内の口の動きと音声が同期しているかどうかを判断すること … 続きを読む →

カテゴリー: cs.CV, cs.IR, cs.SD, eess.AS | Multimodal Transformer Distillation for Audio-Visual Synchronization はコメントを受け付けていません

Masked Modeling Duo: Learning Representations by Encouraging Both Networks to Model the Input

投稿日: 2022年10月27日 作成者: jarxiv

要約 Masked Autoencoders は、シンプルでありながら強力な自己 … 続きを読む →

カテゴリー: 68T07, cs.CV, cs.LG, cs.SD, eess.AS | Masked Modeling Duo: Learning Representations by Encouraging Both Networks to Model the Input はコメントを受け付けていません

OWL (Observe, Watch, Listen): Audiovisual Temporal Context for Localizing Actions in Egocentric Videos

投稿日: 2022年10月27日 作成者: jarxiv

要約 自己中心的なビデオは、一人称視点から人間の活動のシーケンスをキャプチャし、 … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | OWL (Observe, Watch, Listen): Audiovisual Temporal Context for Localizing Actions in Egocentric Videos はコメントを受け付けていません

Learning Audio-Visual embedding for Person Verification in the Wild

投稿日: 2022年10月27日 作成者: jarxiv

要約 オーディオビジュアルの埋め込みは、個人の検証において単一モダリティの埋め込 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Learning Audio-Visual embedding for Person Verification in the Wild はコメントを受け付けていません

Play It Back: Iterative Attention for Audio Recognition

投稿日: 2022年10月21日 作成者: jarxiv

要約 聴覚認知の重要な機能は、特徴的な音とそれに対応するセマンティクスを経時的に … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.SD, eess.AS | Play It Back: Iterative Attention for Audio Recognition はコメントを受け付けていません

Intel Labs at Ego4D Challenge 2022: A Better Baseline for Audio-Visual Diarization

投稿日: 2022年10月17日 作成者: jarxiv

要約 このレポートでは、Ego4D チャレンジ 2022 のオーディオ ビジュア … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Intel Labs at Ego4D Challenge 2022: A Better Baseline for Audio-Visual Diarization はコメントを受け付けていません