计算机科学 > 声音
[提交于 2023年6月2日
(v1)
,最后修订 2024年7月18日 (此版本, v2)]
标题: 利用声音事件检测增强音频描述中的时间关系
标题: Enhance Temporal Relations in Audio Captioning with Sound Event Detection
摘要: 自动化音频描述旨在为给定的音频片段生成自然语言描述,不仅检测和分类声音,还总结音频事件之间的关系。 音频描述领域的最新研究进展引入了额外的指导以提高生成句子中音频事件的准确性。 然而,在揭示复杂关系方面,音频事件之间的时间关系很少受到关注,而揭示复杂关系是总结音频内容的关键组成部分。 因此,本文旨在通过声音事件检测(SED),一项定位事件时间戳的任务,更好地捕捉描述生成中的时间关系。 我们研究了在描述模型中整合时间信息的最佳方法,并提出了一种时间标签系统,将时间戳转换为可理解的关系。 通过所提出的时空度量进行评估的结果表明,在时间关系生成方面取得了显著改进。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.