研究提出无需人物标签的多模态人概念识别模型
热点事件持续更新
研究提出无需人物标签的多模态人概念识别模型
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Mizuho Okitani 等研究人员提出一种多模态人概念模型,无需人物标签即可从少量观察中学习人物概念并用于识别。该模型基于中国餐馆过程的非参数贝叶斯生成模型,融合 CLIP 与 CLAP 提取的视觉、听觉和语言特征并经 PCA 处理,已在服务机器人上验证。研究人员称,在 6 名参与者、8 种条件下(外观变化、加性噪声和语音转录错误单独及组合引入)的评估中,模型识别准确率达 0.89,同时自行推断人物概念数量,与提供真实人数的 k-means 聚类(0.88)相当。该研究针对观察条件因外观、环境噪声和话语内容变化而变化的场景。
AI 根据报道生成 · 3 小时前更新
最新进展11月16日 13:00
面向变化观察条件的多模态人物概念模型用于人物识别报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv cs.AI面向变化观察条件的多模态人物概念模型用于人物识别
一项研究提出无需人物标签的多模态人物概念模型,基于中国餐馆过程的非参数贝叶斯生成模型,融合 CLIP 与 CLAP 提取的视觉、听觉和语言特征并经 PCA 处理,从少量观察中学习人物概念。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月16日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。