Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information

Abstract & Introduction & Related Work

  • 研究任务
    音频字幕
  • 已有方法和相关工作
  • 面临挑战
  • 创新思路
    加入了语义信息,使用了semantic embedding,梅尔能源特征,VGGish embedding
  • 实验结论
    sota

Proposed Method

log Mel特征和部分标题是分开编码的
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第1张图片

首先从音频信号里面抽取PANNs audio embedding,然后从每个音频片段的标题中提取主语-动词嵌入,把这两个embedding concat起来
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第2张图片

Audio Features

Acoustic Content

我们使用96毫秒的汉明窗提取对数梅尔能量特征,重叠率为50%,每帧获得64个对数梅尔能量

将频带设置为125到7500 Hz
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第3张图片

Audio Embeddings

使用VGGish模型和PANNs embedding来抽取音频特征

在不同的PANNS架构中,我们使用Wavegram-Logmel-CNN14模型作为特征提取器

Subject-Verb Embedding

为了提取语义嵌入,每个数据集的主语-动词嵌入向量都是单独获得的。首先,每个音频记录的每个音频标题都由斯坦福解析器处理,并提取标题的主语和动词。为了减少维度,我们使用主语和动词的词根形式。然后,通过消除重复的词来收集主语和动词,并创建主语-动词嵌入列表。提取主语-动词嵌入的算法在算法1中给出
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第4张图片
测试音频片段中抽取主语-动词embedding的过程:
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第5张图片
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第6张图片

Encoder

Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第7张图片
GRU的公式…
在这里插入图片描述
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第8张图片
使用Word2Vec作为text embedding

Decoder

解码器使用编码的音频、主语-动词嵌入和以前的部分字幕,逐字预测部分字幕。GRU被用来解码音频和文本表示法。拟议的GRU层由128个单元组成。我们在全连接层之后使用Sof tmax。解码器逐字进行预测,预测词的序列给出字幕。我们提出的RNN-GRU-EncDec训练算法在算法2中给出
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第9张图片

RESULTS

Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第10张图片
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第11张图片
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第12张图片
Raki的读paper小记:Audio Captioning with Composition of Acoustic and Semantic Information_第13张图片

CONCLUSION

根据这些结果,我们未来的研究方向是努力改善语言建模,并使用数据增强技术,试图提高我们模型的性能。在音频字幕上获得更好的结果可以在音频分析中产生改进。此外,可以研究多模态模型来提高视频应用的性能,如视频字幕、视频检索和监控系统,这些系统主要由音频和视频分析组成

Remark

首先吐槽,你说自己的model很novel,你novel个蛇皮
其次,paper里面的图居然不是矢量图…模糊的一批,我人晕了
但是work了,那就勉强还行吧

你可能感兴趣的:(读paper,Audio,语音识别,音视频,人工智能,深度学习,神经网络)