慕尼黑工业大学 发布 VGGSounder 数据集, 应用在 音频视觉分类、模型评估 领域

慕尼黑工业大学 本次发布的数据集 VGGSounder, VGGSounder 数据集是对广泛使用的音频视觉分类数据集 VGGSound 的增强版本，专为评估音频视觉基础模型而设计。数据集包含详细的方式注释，允许对特定于方式的表现进行精确分析。此外，我们还通过分析模型性能在添加另一个输入方式时的下降，揭示了模型的局限性。VGGSounder 提供了一个强大的、为基础模型准备好的基准，使模型能够有结构地分析是否依赖于音频或视觉线索。

查看VGGSounder

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。