MMML-CMU 学习笔记_No.1.2 Multimodal applications and datasets
从上世纪80年代开始,对多模态的认知与发展已经慢慢从心理学上的“behavioral”阶段进入到“computational”阶段,最先提出Audio-visualspeechrecognition(音视频语音识别)。紧接着由于YouTube等网站视频量的井喷式增长,希望开发基于关键字或者视频内容的搜索(工业推动学术),Content-basedvideoretrieval(基于视频内容检索),V