Buchumschlag

AnnoTheia: A Semi-Automatic Annotation Toolkit for Audio-Visual Speech Technologies

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Acosta-Triana, José-M., Gimeno-Gómez, David, Martínez-Hinarejos, Carlos-D.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Tailored Design of Audio-Visual Speech Recognition Models using Branchformers
von: Gimeno-Gómez, David, et al.
Veröffentlicht: (2024)

Comparison of Conventional Hybrid and CTC/Attention Decoders for Continuous Visual Speech Recognition
von: Gimeno-Gómez, David, et al.
Veröffentlicht: (2024)

Evaluation of End-to-End Continuous Spanish Lipreading in Different Data Conditions
von: Gimeno-Gómez, David, et al.
Veröffentlicht: (2025)

Unveiling Interpretability in Self-Supervised Speech Representations for Parkinson's Diagnosis
von: Gimeno-Gómez, David, et al.
Veröffentlicht: (2024)

Reading Between the Frames: Multi-Modal Depression Detection in Videos from Non-Verbal Cues
von: Gimeno-Gómez, David, et al.
Veröffentlicht: (2024)

Evaluation of Audio-Visual Alignments in Visually Grounded Speech Models
von: Khorrami, Khazar, et al.
Veröffentlicht: (2021)

ViCocktail: Automated Multi-Modal Data Collection for Vietnamese Audio-Visual Speech Recognition
von: Nguyen, Thai-Binh, et al.
Veröffentlicht: (2025)

SemiHVision: Enhancing Medical Multimodal Models with a Semi-Human Annotated Dataset and Fine-Tuned Instruction Generation
von: Wang, Junda, et al.
Veröffentlicht: (2024)

Improving Lip-synchrony in Direct Audio-Visual Speech-to-Speech Translation
von: Goncalves, Lucas, et al.
Veröffentlicht: (2024)

EyeTheia: A Lightweight and Accessible Eye-Tracking Toolbox
von: Pather, Stevenson, et al.
Veröffentlicht: (2026)

SyncVSR: Data-Efficient Visual Speech Recognition with End-to-End Crossmodal Audio Token Synchronization
von: Ahn, Young Jin, et al.
Veröffentlicht: (2024)

A Survey of Automatic Evaluation Methods on Text, Visual and Speech Generations
von: Lan, Tian, et al.
Veröffentlicht: (2025)

Phoneme-Level Visual Speech Recognition via Point-Visual Fusion and Language Model Reconstruction
von: Teng, Matthew Kit Khinn, et al.
Veröffentlicht: (2025)

Audio Description Generation in the Era of LLMs and VLMs: A Review of Transferable Generative AI Technologies
von: Gao, Yingqiang, et al.
Veröffentlicht: (2024)

Visually Grounded Speech Models for Low-resource Languages and Cognitive Modelling
von: Nortje, Leanne
Veröffentlicht: (2024)

CNVSRC 2023: The First Chinese Continuous Visual Speech Recognition Challenge
von: Chen, Chen, et al.
Veröffentlicht: (2024)

OLKAVS: An Open Large-Scale Korean Audio-Visual Speech Dataset
von: Park, Jeongkyun, et al.
Veröffentlicht: (2023)

LatentOmni: Rethinking Omni-Modal Understanding via Unified Audio-Visual Latent Reasoning
von: Dai, Yifan, et al.
Veröffentlicht: (2026)

Anno-incomplete Multi-dataset Detection
von: Xu, Yiran, et al.
Veröffentlicht: (2024)

Seeing is Believing: Emotion-Aware Audio-Visual Language Modeling for Expressive Speech Generation
von: Tan, Weiting, et al.
Veröffentlicht: (2025)

Vision-Braille: A Curriculum Learning Toolkit and Braille-Chinese Corpus for Braille Translation
von: Wu, Alan, et al.
Veröffentlicht: (2024)

Integrating Fine-Grained Audio-Visual Evidence for Robust Multimodal Emotion Reasoning
von: Zhao, Zhixian, et al.
Veröffentlicht: (2026)

video-SALMONN 2: Caption-Enhanced Audio-Visual Large Language Models
von: Tang, Changli, et al.
Veröffentlicht: (2025)

NYC-Indoor-VPR: A Long-Term Indoor Visual Place Recognition Dataset with Semi-Automatic Annotation
von: Sheng, Diwei, et al.
Veröffentlicht: (2024)

Automatic Layout Planning for Visually-Rich Documents with Instruction-Following Models
von: Zhu, Wanrong, et al.
Veröffentlicht: (2024)

Daily-Omni: Towards Audio-Visual Reasoning with Temporal Alignment across Modalities
von: Zhou, Ziwei, et al.
Veröffentlicht: (2025)

Designing Practical Models for Isolated Word Visual Speech Recognition
von: Panagos, Iason Ioannis, et al.
Veröffentlicht: (2025)

Towards Automatic Evaluation for Image Transcreation
von: Khanuja, Simran, et al.
Veröffentlicht: (2024)

Query-centric Audio-Visual Cognition Network for Moment Retrieval, Segmentation and Step-Captioning
von: Tu, Yunbin, et al.
Veröffentlicht: (2024)

Docling: An Efficient Open-Source Toolkit for AI-driven Document Conversion
von: Livathinos, Nikolaos, et al.
Veröffentlicht: (2025)

DermaBench: A Clinician-Annotated Benchmark Dataset for Dermatology Visual Question Answering and Reasoning
von: Yilmaz, Abdurrahim, et al.
Veröffentlicht: (2026)

Theia: Distilling Diverse Vision Foundation Models for Robot Learning
von: Shang, Jinghuan, et al.
Veröffentlicht: (2024)

Lightweight Operations for Visual Speech Recognition
von: Panagos, Iason Ioannis, et al.
Veröffentlicht: (2025)

A SAM based Tool for Semi-Automatic Food Annotation
von: Rahman, Lubnaa Abdur, et al.
Veröffentlicht: (2024)

Disability Representations: Finding Biases in Automatic Image Generation
von: Tevissen, Yannis
Veröffentlicht: (2024)

Knowledge-Aware Reasoning over Multimodal Semi-structured Tables
von: Mathur, Suyash Vardhan, et al.
Veröffentlicht: (2024)

Improving Text-to-Image Consistency via Automatic Prompt Optimization
von: Mañas, Oscar, et al.
Veröffentlicht: (2024)

VideoCoT: A Video Chain-of-Thought Dataset with Active Annotation Tool
von: Wang, Yan, et al.
Veröffentlicht: (2024)

Chain-of-Talkers (CoTalk): Fast Human Annotation of Dense Image Captions
von: Shen, Yijun, et al.
Veröffentlicht: (2025)

AV-Dialog: Spoken Dialogue Models with Audio-Visual Input
von: Chen, Tuochao, et al.
Veröffentlicht: (2025)