Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2306.02263

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2306.02263 (cs)
[提交于 2023年6月4日 ]

标题: MAVD:包含深度信息的第一个开放的大规模普通话音视频数据集

标题: MAVD: The First Open Large-Scale Mandarin Audio-Visual Dataset with Depth Information

Authors:Jianrong Wang, Yuchen Huo, Li Liu, Tianyi Xu, Qi Li, Sen Li
摘要: 语音视觉语音识别(AVSR)作为人机交互的重要组成部分,正日益受到研究人员的关注。 然而,现有的可用普通话音视频数据集有限,并且缺乏深度信息。 为了解决这个问题,本工作建立了MAVD,一个包含64名母语中文说话人发出的12,484个发音的新大规模普通话多模态语料库。 为了确保数据集涵盖多种现实场景,开发了一个清理和过滤原始文本材料的流程,以创建一个平衡的阅读材料。 特别是,在数据采集过程中,使用了微软最新数据采集设备Azure Kinect,除了传统的音频信号和RGB图像外,还捕获深度信息。 我们还提供了一个基线实验,可用于评估数据集的有效性。 数据集和代码将在https://github.com/SpringHuo/MAVD发布。
摘要: Audio-visual speech recognition (AVSR) gains increasing attention from researchers as an important part of human-computer interaction. However, the existing available Mandarin audio-visual datasets are limited and lack the depth information. To address this issue, this work establishes the MAVD, a new large-scale Mandarin multimodal corpus comprising 12,484 utterances spoken by 64 native Chinese speakers. To ensure the dataset covers diverse real-world scenarios, a pipeline for cleaning and filtering the raw text material has been developed to create a well-balanced reading material. In particular, the latest data acquisition device of Microsoft, Azure Kinect is used to capture depth information in addition to the traditional audio signals and RGB images during data acquisition. We also provide a baseline experiment, which could be used to evaluate the effectiveness of the dataset. The dataset and code will be released at https://github.com/SpringHuo/MAVD.
主题: 声音 (cs.SD) ; 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2306.02263 [cs.SD]
  (或者 arXiv:2306.02263v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2306.02263
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yuchen Huo [查看电子邮件]
[v1] 星期日, 2023 年 6 月 4 日 05:00:12 UTC (957 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-06
切换浏览方式为:
cs
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号