Multi-Modal and Multi-Scale Temporal Fusion Architecture Search for Audio-Visual Video Parsing

计算机科学 判别式 人工智能 解析 模态(人机交互) 集合(抽象数据类型) 模式 事件(粒子物理) 特征(语言学) 比例(比率) 语义学(计算机科学) 语音识别 可视化 模式识别(心理学) 机器学习 社会学 哲学 程序设计语言 物理 量子力学 语言学 社会科学
作者
Jiayi Zhang,Weixin Li
标识
DOI:10.1145/3581783.3611947
摘要

The weakly supervised audio-visual video parsing (AVVP) task aims to parse a video into a set of modality-wise events (i.e., audible, visible, or both), recognize categories of these events, and localize their temporal boundaries. Given the prevalence of audio-visual synchronous and asynchronous contents in multi-modal videos, it is crucial to capture and integrate the contextual events occurring at different moments and temporal scales. Although some researchers have made preliminary attempts at modeling event semantics with various temporal lengths, they mostly only perform a late fusion of multi-scale features across modalities. A comprehensive cross-modal and multi-scale temporal fusion strategy remains largely unexplored in the literature. To address this gap, we propose a novel framework named Audio-Visual Fusion Architecture Search (AVFAS) that can automatically find the optimal multi-scale temporal fusion strategy within and between modalities. Our framework generates a set of audio and visual features with distinct temporal scales and employs three modality-wise modules to search multi-scale feature selection and fusion strategies, jointly modeling modality-specific discriminative information. Furthermore, to enhance the alignment of audio-visual asynchrony, we introduce a Position- and Length-Adaptive Temporal Attention (PLATA) mechanism for cross-modal feature fusion. Extensive quantitative and qualitative experimental results demonstrate the effectiveness and efficiency of our framework.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
1秒前
微不足道完成签到,获得积分10
1秒前
孙太阳发布了新的文献求助10
2秒前
优雅的怀莲完成签到,获得积分10
3秒前
zhang完成签到,获得积分10
3秒前
4秒前
5秒前
西伯侯完成签到,获得积分10
5秒前
6秒前
奋斗芒果发布了新的文献求助10
6秒前
安AN完成签到,获得积分10
6秒前
huyan完成签到,获得积分10
7秒前
Hancen完成签到,获得积分10
7秒前
7秒前
美满的机器猫完成签到,获得积分10
8秒前
zhang发布了新的文献求助10
8秒前
anla完成签到,获得积分10
8秒前
不眠的人完成签到,获得积分10
8秒前
小洪俊熙完成签到,获得积分10
9秒前
嗣音完成签到,获得积分10
9秒前
饱满的百招完成签到 ,获得积分10
10秒前
乐乐应助友好凌柏采纳,获得10
10秒前
顽固分子完成签到 ,获得积分10
11秒前
11秒前
Yimi刘博完成签到 ,获得积分10
12秒前
民工完成签到,获得积分10
12秒前
称心如意完成签到 ,获得积分10
12秒前
张小苟发布了新的文献求助10
12秒前
12秒前
FashionBoy应助飘逸的大碗采纳,获得10
12秒前
13秒前
巴拉巴拉发布了新的文献求助10
13秒前
菜菜完成签到,获得积分10
13秒前
落寞太阳完成签到,获得积分10
14秒前
Wanpy完成签到 ,获得积分10
14秒前
Spidyyy完成签到,获得积分10
15秒前
汉堡包应助布丁采纳,获得10
15秒前
不加糖的刘先森完成签到,获得积分10
15秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3257464
求助须知:如何正确求助?哪些是违规求助? 2899400
关于积分的说明 8305459
捐赠科研通 2568655
什么是DOI,文献DOI怎么找? 1395219
科研通“疑难数据库(出版商)”最低求助积分说明 652967
邀请新用户注册赠送积分活动 630767