基于检测的视觉问答中间监督

💡 原文中文,约200字,阅读约需1分钟。
📝

内容提要

本文介绍了一种名为推理模块网络(RMN)的视觉推理方法,用于视频字幕生成。RMN包括三个时空推理模块和一个动态离散模块选择器。实验证明,RMN方法在MSVD和MSR-VTT数据集上优于现有方法,并提供了明确和可解释的生成过程。

🏷️

标签

➡️

继续阅读