Enhancing Real-World Active Speaker Detection with Multi-Modal Extraction Pre-Training
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Tao, Ruijie, Qian, Xinyuan, Das, Rohan Kumar, Gao, Xiaoxue, Wang, Jiadong, Li, Haizhou |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Listening for "You": Enhancing Speech Image Retrieval via Target Speaker Extraction
par: Yang, Wenhao, et autres
Publié: (2025)
par: Yang, Wenhao, et autres
Publié: (2025)
Audio-Visual Target Speaker Extraction with Reverse Selective Auditory Attention
par: Tao, Ruijie, et autres
Publié: (2024)
par: Tao, Ruijie, et autres
Publié: (2024)
CoAVT: A Cognition-Inspired Unified Audio-Visual-Text Pre-Training Model for Multimodal Processing
par: Yue, Xianghu, et autres
Publié: (2024)
par: Yue, Xianghu, et autres
Publié: (2024)
Audio-Visual Approach For Multimodal Concurrent Speaker Detection
par: Eliav, Amit, et autres
Publié: (2024)
par: Eliav, Amit, et autres
Publié: (2024)
DLIOS: An LLM-Augmented Real-Time Multi-Modal Interactive Enhancement Overlay System for Douyin Live Streaming
par: Wen, Shuide, et autres
Publié: (2026)
par: Wen, Shuide, et autres
Publié: (2026)
KunquDB: An Attempt for Speaker Verification in the Chinese Opera Scenario
par: Zhou, Huali, et autres
Publié: (2024)
par: Zhou, Huali, et autres
Publié: (2024)
Audio-Visual Speaker Diarization: Current Databases, Approaches and Challenges
par: Mingote, Victoria, et autres
Publié: (2024)
par: Mingote, Victoria, et autres
Publié: (2024)
BUT System Description for CHiME-9 MCoRec Challenge
par: Klement, Dominik, et autres
Publié: (2026)
par: Klement, Dominik, et autres
Publié: (2026)
Bounds on Agreement between Subjective and Objective Measurements
par: Pieper, Jaden, et autres
Publié: (2026)
par: Pieper, Jaden, et autres
Publié: (2026)
USED: Universal Speaker Extraction and Diarization
par: Ao, Junyi, et autres
Publié: (2023)
par: Ao, Junyi, et autres
Publié: (2023)
TACO: Training-free Sound Prompted Segmentation via Semantically Constrained Audio-visual CO-factorization
par: Malard, Hugo, et autres
Publié: (2024)
par: Malard, Hugo, et autres
Publié: (2024)
Towards Language-Independent Face-Voice Association with Multimodal Foundation Models
par: Farhadipour, Aref, et autres
Publié: (2025)
par: Farhadipour, Aref, et autres
Publié: (2025)
Attentive AV-FusionNet: Audio-Visual Quality Prediction with Hybrid Attention
par: Salaj, Ina, et autres
Publié: (2025)
par: Salaj, Ina, et autres
Publié: (2025)
Interpretable Modeling of Articulatory Temporal Dynamics from real-time MRI for Phoneme Recognition
par: Park, Jay, et autres
Publié: (2025)
par: Park, Jay, et autres
Publié: (2025)
Improvement Of Audiovisual Quality Estimation Using A Nonlinear Autoregressive Exogenous Neural Network And Bitstream Parameters
par: Kossi, Koffi, et autres
Publié: (2024)
par: Kossi, Koffi, et autres
Publié: (2024)
The role of audio-visual integration in the time course of phonetic encoding in self-supervised speech models
par: Wang, Yi, et autres
Publié: (2025)
par: Wang, Yi, et autres
Publié: (2025)
Efficient Face Detection with Audio-Based Region Proposals for Human-Robot Interactions
par: Aris, William, et autres
Publié: (2023)
par: Aris, William, et autres
Publié: (2023)
Multimodal sensor fusion for real-time location-dependent defect detection in laser-directed energy deposition
par: Chen, Lequn, et autres
Publié: (2023)
par: Chen, Lequn, et autres
Publié: (2023)
UNQA: Unified No-Reference Quality Assessment for Audio, Image, Video, and Audio-Visual Content
par: Cao, Yuqin, et autres
Publié: (2024)
par: Cao, Yuqin, et autres
Publié: (2024)
DHFP-PE: Dual-Precision Hybrid Floating Point Processing Element for AI Acceleration
par: Kumar, Shubham, et autres
Publié: (2026)
par: Kumar, Shubham, et autres
Publié: (2026)
Listening without Looking: Modality Bias in Audio-Visual Captioning
par: Ishikawa, Yuchi, et autres
Publié: (2025)
par: Ishikawa, Yuchi, et autres
Publié: (2025)
Spoken question answering for visual queries
par: Shabtay, Nimrod, et autres
Publié: (2025)
par: Shabtay, Nimrod, et autres
Publié: (2025)
RestoreGrad: Signal Restoration Using Conditional Denoising Diffusion Models with Jointly Learned Prior
par: Lee, Ching-Hua, et autres
Publié: (2025)
par: Lee, Ching-Hua, et autres
Publié: (2025)
Efficient Test-Time Adaptation through Latent Subspace Coefficients Search
par: Luo, Xinyu, et autres
Publié: (2025)
par: Luo, Xinyu, et autres
Publié: (2025)
Beyond Correlation: Evaluating Multimedia Quality Models with the Constrained Concordance Index
par: Ragano, Alessandro, et autres
Publié: (2024)
par: Ragano, Alessandro, et autres
Publié: (2024)
Bootstrapping Audiovisual Speech Recognition in Zero-AV-Resource Scenarios with Synthetic Visual Data
par: Buitrago, Pol, et autres
Publié: (2026)
par: Buitrago, Pol, et autres
Publié: (2026)
A Smart-Glasses for Emergency Medical Services via Multimodal Multitask Learning
par: Jin, Liuyi, et autres
Publié: (2025)
par: Jin, Liuyi, et autres
Publié: (2025)
Voice Conversion Augmentation for Speaker Recognition on Defective Datasets
par: Tao, Ruijie, et autres
Publié: (2024)
par: Tao, Ruijie, et autres
Publié: (2024)
Learning Video Temporal Dynamics with Cross-Modal Attention for Robust Audio-Visual Speech Recognition
par: Kim, Sungnyun, et autres
Publié: (2024)
par: Kim, Sungnyun, et autres
Publié: (2024)
LiVeAction: a Lightweight, Versatile, and Asymmetric Neural Codec Design for Real-time Operation
par: Jacobellis, Dan, et autres
Publié: (2026)
par: Jacobellis, Dan, et autres
Publié: (2026)
Adaptive Multimodal Person Recognition: A Robust Framework for Handling Missing Modalities
par: Farhadipour, Aref, et autres
Publié: (2025)
par: Farhadipour, Aref, et autres
Publié: (2025)
W4S4: WaLRUS Meets S4 for Long-Range Sequence Modeling
par: Babaei, Hossein, et autres
Publié: (2025)
par: Babaei, Hossein, et autres
Publié: (2025)
SoundSil-DS: Deep Denoising and Segmentation of Sound-field Images with Silhouettes
par: Tanigawa, Risako, et autres
Publié: (2024)
par: Tanigawa, Risako, et autres
Publié: (2024)
A multi-modal approach for identifying schizophrenia using cross-modal attention
par: Premananth, Gowtham, et autres
Publié: (2023)
par: Premananth, Gowtham, et autres
Publié: (2023)
Multimodal Biomarkers for Schizophrenia: Towards Individual Symptom Severity Estimation
par: Premananth, Gowtham, et autres
Publié: (2025)
par: Premananth, Gowtham, et autres
Publié: (2025)
Fast Swap-Based Element Selection for Multiplication-Free Dimension Reduction
par: Ono, Nobutaka
Publié: (2026)
par: Ono, Nobutaka
Publié: (2026)
Leveraging Reverberation and Visual Depth Cues for Sound Event Localization and Detection with Distance Estimation
par: Berghi, Davide, et autres
Publié: (2024)
par: Berghi, Davide, et autres
Publié: (2024)
Spatial and Semantic Embedding Integration for Stereo Sound Event Localization and Detection in Regular Videos
par: Berghi, Davide, et autres
Publié: (2025)
par: Berghi, Davide, et autres
Publié: (2025)
SaFARi: State-Space Models for Frame-Agnostic Representation
par: Babaei, Hossein, et autres
Publié: (2025)
par: Babaei, Hossein, et autres
Publié: (2025)
Multimodal Marvels of Deep Learning in Medical Diagnosis: A Comprehensive Review of COVID-19 Detection
par: Islam, Md Shofiqul, et autres
Publié: (2025)
par: Islam, Md Shofiqul, et autres
Publié: (2025)
Documents similaires
-
Listening for "You": Enhancing Speech Image Retrieval via Target Speaker Extraction
par: Yang, Wenhao, et autres
Publié: (2025) -
Audio-Visual Target Speaker Extraction with Reverse Selective Auditory Attention
par: Tao, Ruijie, et autres
Publié: (2024) -
CoAVT: A Cognition-Inspired Unified Audio-Visual-Text Pre-Training Model for Multimodal Processing
par: Yue, Xianghu, et autres
Publié: (2024) -
Audio-Visual Approach For Multimodal Concurrent Speaker Detection
par: Eliav, Amit, et autres
Publié: (2024) -
DLIOS: An LLM-Augmented Real-Time Multi-Modal Interactive Enhancement Overlay System for Douyin Live Streaming
par: Wen, Shuide, et autres
Publié: (2026)