Towards Explainable AI: Multi-Modal Transformer for Video-based Image Description Generation

💡 原文英文,约100词,阅读约需1分钟。
📝

内容提要

本研究提出了一种新框架,通过结合文本和视觉模态,从视频数据集中生成自然语言描述。该框架利用ResNet50提取视频帧特征,并通过基于GPT-2的模型生成高质量、可解释的描述,具有重要的实际应用价值。

🏷️

标签

➡️

继续阅读