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

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

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

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

测试音频片段中抽取主语-动词embedding的过程：

Encoder

GRU的公式…


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

RESULTS

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