亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

VALOR: Vision-Audio-Language Omni-Perception Pretraining Model and Dataset

计算机科学 感知 人工智能 语音识别 计算机视觉 视听 自然语言处理 模式识别(心理学) 心理学 多媒体 神经科学
作者
Jing Liu,Sihan Chen,Xingjian He,Longteng Guo,Xinxin Zhu,Weining Wang,Jinhui Tang
出处
期刊:IEEE Transactions on Pattern Analysis and Machine Intelligence [IEEE Computer Society]
卷期号:47 (2): 708-724 被引量:26
标识
DOI:10.1109/tpami.2024.3479776
摘要

In this paper, we propose the Vision-Audio-Language Omni-peRception pretraining model (VALOR) for multimodal understanding and generation. Unlike widely-studied vision-language pretraining models, VALOR jointly models the relationships among vision, audio, and language in an end-to-end manner. It consists of three separate encoders for single modality representations and a decoder for multimodal conditional text generation. We design two pretext tasks to pretrain the VALOR model: Multimodal Grouping Alignment (MGA) and Multimodal Grouping Captioning (MGC). MGA projects vision, language, and audio into the same common space, simultaneously building vision-language, audio-language, and audiovisual-language alignment. MGC learns to generate text tokens under conditions of vision, audio, or both. To promote vision-audio-language pretraining research, we construct a large-scale, high-quality tri-modality dataset named VALOR-1M, containing 1 million audible videos with human-annotated audiovisual captions. Extensive experiments show that VALOR can learn strong multimodal correlations and generalize to various downstream tasks (e.g., retrieval, captioning, and question answering) with different input modalities (e.g., vision-language, audio-language, and audiovisual-language). VALOR achieves new state-of-the-art performance on a series of public cross-modality benchmarks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
你好完成签到 ,获得积分0
4秒前
17秒前
17秒前
Prometheus发布了新的文献求助10
22秒前
VuuVuu发布了新的文献求助10
22秒前
GPTea应助科研通管家采纳,获得20
38秒前
华仔应助科研通管家采纳,获得10
38秒前
GPTea应助科研通管家采纳,获得20
38秒前
shentx发布了新的文献求助20
1分钟前
1分钟前
娜娜子完成签到 ,获得积分10
1分钟前
李爱国应助无风采纳,获得10
1分钟前
上课就是看见完成签到,获得积分10
1分钟前
cc发布了新的文献求助10
1分钟前
英姑应助冰雪痕采纳,获得10
1分钟前
1分钟前
Wonder发布了新的文献求助10
1分钟前
cc完成签到,获得积分10
1分钟前
1分钟前
冰雪痕发布了新的文献求助10
1分钟前
研友_ngqoE8完成签到,获得积分10
1分钟前
1分钟前
漂亮夏兰完成签到 ,获得积分10
2分钟前
周浩宇完成签到,获得积分10
2分钟前
桐桐应助Prometheus采纳,获得10
2分钟前
2分钟前
粽子发布了新的文献求助10
2分钟前
蟪蛄鸪发布了新的文献求助10
2分钟前
2分钟前
平常的德天完成签到,获得积分20
2分钟前
小榕树完成签到,获得积分10
2分钟前
21完成签到 ,获得积分20
2分钟前
2分钟前
21关注了科研通微信公众号
2分钟前
ding应助粽子采纳,获得10
2分钟前
赵正洁完成签到 ,获得积分10
2分钟前
打打应助科研通管家采纳,获得10
2分钟前
Lucas应助美美采纳,获得10
2分钟前
3分钟前
随心完成签到,获得积分10
3分钟前
高分求助中
Pipeline and riser loss of containment 2001 - 2020 (PARLOC 2020) 1000
哈工大泛函分析教案课件、“72小时速成泛函分析:从入门到入土.PDF”等 660
Comparing natural with chemical additive production 500
The Leucovorin Guide for Parents: Understanding Autism’s Folate 500
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 500
A Manual for the Identification of Plant Seeds and Fruits : Second revised edition 500
The Social Work Ethics Casebook: Cases and Commentary (revised 2nd ed.) 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 内科学 生物化学 物理 计算机科学 纳米技术 遗传学 基因 复合材料 化学工程 物理化学 病理 催化作用 免疫学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 5210369
求助须知:如何正确求助?哪些是违规求助? 4387232
关于积分的说明 13662568
捐赠科研通 4247011
什么是DOI,文献DOI怎么找? 2330082
邀请新用户注册赠送积分活动 1327804
关于科研通互助平台的介绍 1280386