基于多模态数据融合的短视频分类研究
打开文本图片集
摘要：文章通过对短视频领域真实场景多模态的数据进行分析研究，对短视频中的标题、音频转文本识别结果以及视频OCR识别结果采用多种不同的拼接方式并展开消融实验。同时，对基线模型进行改进，将文本特征和视频特征分别在权重共享的Embedding和非权重共享的Embedding上将合并的文本模态特征和视频模态特征一起传入BERT网络实现Early-Fusion。（剩余5189字）
网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。