韩国中央大学 发布 VGG-sound+ 数据集, 应用在 多模态学习、机器视觉 领域

韩国中央大学 本次发布的数据集 VGG-sound+, VGG-sound+数据集是一个包含图像、文本和音频三种模态的平衡数据集，由韩国中央大学人工智能系构建。该数据集基于VGG-sound数据集，包含200,000个音频-视觉数据条目，并通过添加适当的文本描述，实现了三种模态在同等规模下的表示。数据集的创建过程包括从视频片段中提取随机场景和音频，以及为每个视频片段生成文本描述。VGG-sound+数据集旨在支持三模态表示学习，帮助模型以人类的方式处理和理解复杂信息。

查看VGG-sound+

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。