見聞くか?視覚音定位の再考【JST・京大機械翻訳】

Wu Ho-Hsiang; Fuentes Magdalena; Seetharaman Prem; Bello Juan Pablo

プレプリント

J-GLOBAL ID：202202217244335580 整理番号：22P0329578

見聞くか?視覚音定位の再考【JST・京大機械翻訳】

How to Listen? Rethinking Visual Sound Localization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月11日プレプリントサーバーでの情報更新日： 2022年04月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

視覚音の位置決めは,画像内で音を発する物体の位置を位置決めすることから成る。それは野生生物移動や都市交通のような自然および都市環境モニタリングにおける潜在的用途を有する成長研究領域である。これまでの研究は,通常,主に単一の支配的可視オブジェクトを持つデータセットで評価され,提案モデルは通常,訓練または専用サンプリング戦略の間,局在化モジュールの導入を必要とするが,これらの設計選択が,より挑戦的なシナリオにおけるこれらの方法の適応性においてどのように役割を果たすかは不明のままである。本研究では,視覚音定位に対する様々なモデル選択を解析し,それらの異なる成分がモデルの性能,すなわち符号器アーキテクチャ,損失関数および局所化戦略にどのように影響するかを論じた。さらに,これらの決定,モデル性能,およびデータ間の相互作用を,異なる困難と特性にわたる異なる評価データセットに拡張して研究し,実世界アプリケーションの文脈におけるそのような決定の意味を論じた。このコードとモデル重みはオープンソースであり,更なる応用に利用できる。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

図形・画像処理一般 , 音響信号処理

前のページに戻る