该文介绍了COST框架，使用三个分支的transformers和交叉粒度的注意力模块对视觉-语言交互进行建模和对齐，以获得准确的字幕预测。实验证明，COST方法在视频字幕领域中表现优于现有方法。

协作三流变压器用于视频字幕生成
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证