源感知语义表示网络：增强音视频问答

本研究提出了一种新颖的源感知语义表示网络（SaSR-Net），用于音视频问答中的复杂多模态场景解析。该网络通过可学习标记捕捉音视频元素，并利用空间和时间注意机制提升信息融合效果。实验结果表明，其在Music-AVQA和AVQA-Yang数据集上优于现有方法。