mscoco dataset | BriefGPT - AI 论文速递

关键词mscoco dataset

搜索结果 - 8

CVPR利用偏序关系引导注意力进行图像字幕生成
本文提出了一种引导式的注意力网络机制，将图像的空间特征、主题的高级信息以及生成的字幕的时间上下文嵌入到一个有序的嵌入空间中进行训练，采用成对的排序目标函数，该模型在 MSCOCO 数据集上表现出与众多最先进模型相媲美的竞争力。
PDF2 years ago
探索语义关系的非配对图像字幕生成
本文提出了一种跨越视觉和语言领域的高级语义信息桥接技术，以实现无配对图像说明，并引入了基于语义概念关系探索的解决方案 ——Semantic Relationship Explorer，能够有效地提高图像说明的质量，并且在 MSCOCO 数据
PDF3 years ago
CPTR: 图像标注的全变压器网络
本研究提出了 CaPtion TransformeR （简称 CPTR）这一基于序列到序列（sequence-to-sequence) 预测方法的图片标注任务模型。与传统的 “CNN+Transformer” 设计范式不同，本研究的模型从一
PDF3 years ago
ECCV将先验知识注入图像字幕生成
本研究提出了一种结合条件潜在主题关注和规范化技术的图像字幕模型，旨在改善 MSCOCO 数据集上的表现，并证实其能够生成更符合人类直觉的字幕描述。
PDF5 years ago
ICCV用于多样图片字幕中目的建模的连续潜在空间
通过 Seq-CVAE 模型，学习每一个单词位置的潜在空间，并仿照一个将来总结的表示来鼓励这个时间上的潜在空间捕捉如何完成句子的 “意图”，并在 MSCOCO 数据集上表现出了显著的多样性改进指标，同时在句子质量方面达到了同等水平。
PDF5 years ago
基于多视角视觉表示的多模态变压器用于图像字幕生成
利用多模态 Transformer 模型并结合多视角视觉特征来进行图像描述，这种方法能够同时捕捉到图像内部和图像与文本之间的关系，相较于业内先前方法显著提升了效果，是图像描述任务的最新成果。
PDF5 years ago
卷积图像描述
本文提出了一种卷积图像字幕生成技术，并在 MSCOCO 数据集上展示了其与基准模型相媲美的性能，同时具有更快的训练时间和更少的参数数量。作者还对其模型的优点进行了详细分析，提出了卷积语言生成方法的有力证据。
PDF7 years ago
SPEECH-COCO: 60 万对齐 MSCOCO 数据集的视觉对应口述字幕
本研究介绍了 MSCOCO 数据集的增强版本，其中添加了语音和文本。使用文本转语音（TTS）合成生成语音说明，在语音信号中添加了不流畅和速度扰动以使其更加自然。此语料库可用于语言和视觉（LaVi）任务，其中包括语音输入或输出。同时在此数据集
PDF7 years ago