AVLnet: Learning Audio-Visual Language Representations from Instructional Videos

计算机科学 视听 多媒体 人机交互 自然语言处理 人工智能 语音识别
作者
Andrew Rouditchenko,Angie Boggust,David Harwath,Brian Chen,Dhiraj Joshi,Samuel Thomas,Kartik Audhkhasi,Hilde Kuehne,Rameswar Panda,Rogério Feris,Brian Kingsbury,Michael Picheny,Antonio Torralba,James Glass
标识
DOI:10.21437/interspeech.2021-1312
摘要

Current methods for learning visually grounded language from videos often rely on text annotation, such as human generated captions or machine generated automatic speech recognition (ASR) transcripts.In this work, we introduce the Audio-Video Language Network (AVLnet), a self-supervised network that learns a shared audiovisual embedding space directly from raw video inputs.To circumvent the need for text annotation, we learn audio-visual representations from randomly segmented video clips and their raw audio waveforms.We train AVLnet on HowTo100M, a large corpus of publicly available instructional videos, and evaluate on image retrieval and video retrieval tasks, achieving state-of-the-art performance.We perform analysis of AVLnet's learned representations, showing our model utilizes speech and natural sounds to learn audio-visual concepts.Further, we propose a trimodal model that jointly processes raw audio, video, and text captions from videos to learn a multi-modal semantic embedding space useful for text-video retrieval.Our code, data, and trained models will be released at avlnet.csail.mit.edu.
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
嗨嗨嗨完成签到 ,获得积分10
1秒前
粘牙牛轧糖完成签到,获得积分10
1秒前
小凯应助大白包子李采纳,获得10
1秒前
金容完成签到,获得积分10
2秒前
shimenwanzhao完成签到 ,获得积分0
4秒前
lllwww完成签到 ,获得积分10
4秒前
5秒前
一帆锋顺完成签到,获得积分10
6秒前
starry完成签到 ,获得积分10
7秒前
10秒前
小凯应助tantantantan采纳,获得10
10秒前
渣渣XM发布了新的文献求助10
11秒前
revew666完成签到,获得积分10
11秒前
Yogita完成签到,获得积分10
12秒前
鹿芩完成签到,获得积分10
13秒前
宁学者完成签到,获得积分10
16秒前
HP完成签到,获得积分10
17秒前
小将完成签到 ,获得积分10
17秒前
18秒前
planA完成签到,获得积分10
19秒前
Denvir完成签到 ,获得积分10
19秒前
早起完成签到,获得积分10
20秒前
我是雅婷发布了新的文献求助10
21秒前
Jasper应助宁学者采纳,获得10
21秒前
今后应助豆⑧采纳,获得10
22秒前
shenzhou9完成签到,获得积分10
22秒前
科研通AI2S应助渣渣XM采纳,获得10
23秒前
23秒前
fengfeng完成签到 ,获得积分10
25秒前
WX完成签到,获得积分10
26秒前
孟伟发布了新的文献求助10
28秒前
山月完成签到 ,获得积分10
32秒前
33秒前
夕瑶发布了新的文献求助10
34秒前
学不动完成签到 ,获得积分10
37秒前
豆⑧发布了新的文献求助10
37秒前
39秒前
小凯应助心随以动采纳,获得10
41秒前
从容雨筠完成签到,获得积分10
41秒前
42秒前
高分求助中
Evolution 10000
ISSN 2159-8274 EISSN 2159-8290 1000
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 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 3162560
求助须知:如何正确求助?哪些是违规求助? 2813411
关于积分的说明 7900327
捐赠科研通 2472992
什么是DOI,文献DOI怎么找? 1316626
科研通“疑难数据库(出版商)”最低求助积分说明 631375
版权声明 602175