抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ビデオ記述のための現在の方法はリカレントニューラルネットワーク(RNN)を用いた符号器-復号器文生成に基づいている。最近の研究は,時間的注意機構を統合したこれらのモデルへの利点,復号器ネットワークは,特定の時間枠からのコード化された特徴へより多くの重みを与える選択的に記述中の各単語を予測することを示した。そのような方法は典型的には二種類の特徴:画像特徴(対象分類モデルから)および動き特徴(行動認識モデルから)の,モデル入力におけるナイーブ連結による組み合わせを用いた。異なる特徴様式は異なる時間でタスクに関連した情報をもたらす可能性があるので,ナイーブ連結により,融合を記述の異なる部分に特徴の各タイプの関連性を動的に決定するためのモデルの能力を制限する可能性がある。本論文では,画像および運動特徴に加えて音声特徴を組み込んだ。これら三種類の様式を融合するために,出力記述中の各単語のための異なるモダリティからの特徴を利用した選択的にマルチモーダル注意モデルを導入した。新しいマルチモーダル注意モデルの結合標準時間的注意二標準データセット上で最先端の方法よりも優れている:YouTube2TextとMSR VTT。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】