flickr8k dataset | BriefGPT

关键词flickr8k dataset

搜索结果 - 1

语音与图像的深度多模态语义嵌入
本文提出了一种模型，其将图像和相关的口头描述作为输入，并找到两种模态之间的对应关系。使用一对卷积神经网络在单词级别模拟视觉对象和语音信号，并采用嵌入和对准模型将两个网络联系在一起，以学习跨两种模态的联合语义空间，最终在 Flickr8k 数
PDF9 years ago