一加 Ace 5系列將搭載全新游戲助手:大幅提升游戲體驗東芝全部業(yè)務(wù)實現(xiàn)盈利,退市裁員重組后終于賺錢真我14 Pro+開始提上日程:1.5K等深四微曲屏+潛望長焦穩(wěn)了消息稱本田和日產(chǎn)計劃明年6月前敲定合并協(xié)議 2026年8月成立控股公司凱迪拉克最新版OTA開啟推送,新增百度語音大模型和QQ音樂等應(yīng)用中國聯(lián)通11月5G套餐用戶凈增127.8萬戶5G確定性工業(yè)基站首商用,工業(yè)互聯(lián)網(wǎng)走上新高度李飛飛團隊前瞻性研究 多模態(tài)AI模型初顯空間智能AI終于邁過這道檻!Livekit 開源模型精準識別“你是否說完”!DeepSeek開源大模型開發(fā)者之一羅福莉?qū)⒓用诵∶?/a>廣汽詳解旗下首款復(fù)合翼飛行汽車 GOVY AirJet:最高飛行速度可達 250km/h清華大學(xué)聯(lián)合騰訊出品!ColorFlow:自動給黑白漫畫上色,保持角色一致性Adobe推新AI音頻具Sketch2Sound ,只需哼唱和模仿聲音就能創(chuàng)建音效家庭能源智聯(lián)自由 海辰儲能發(fā)布首套免安裝家庭微網(wǎng)系統(tǒng)HeroESOpenAI發(fā)布o3:AI 推理能力的重大突破,得分高達87.5%亞馬遜云科技推出Amazon Q Developer新功能小象超市,摸著美團外賣出海E Ink元太科技連三年入選道瓊可持續(xù)雙指數(shù)撬動6000億GTV后,抖音計劃偷襲美團大本營AGI Open Network(AON):賦能每個人創(chuàng)建、部署和貨幣化AI Agent
  • 首頁 > 云計算頻道 > 大模型

    清華推出短視頻AI理解新技術(shù)video-SALMONN 像人一樣刷視頻

    2024年07月31日 15:38:07   來源:AIbase基地

      最近,新加坡國立大學(xué)的Wenyi Yu及其團隊提出了一項名為video-SALMONN的新技術(shù),它不僅能夠理解視頻中的視覺幀序列、音頻事件和音樂,更重要的是,它能夠理解視頻中的語音內(nèi)容。這項技術(shù)的提出標志著我們在讓機器理解視頻內(nèi)容方面邁出了重要一步。

      視頻-SALMONN是一種端到端的音頻-視覺大型語言模型(av-LLM),它通過一種新穎的多分辨率因果Q-Former(MRC Q-Former)結(jié)構(gòu),將預(yù)訓(xùn)練的音視頻編碼器與大型語言模型的主體連接起來。這種結(jié)構(gòu)不僅能夠捕捉到語音理解所需的細粒度時間信息,同時也保證了對其他視頻元素的高效處理。

      為了提高模型對不同視頻元素的平衡處理,研究團隊提出了專門的訓(xùn)練方法,包括多樣性損失和未配對音視頻混合訓(xùn)練策略,以避免視頻幀或模態(tài)的主導(dǎo)。

      在新引入的語音-音頻-視覺評估基準(SAVE)上,視頻-SALMONN在視頻問答(video-QA)任務(wù)上取得了超過25%的絕對準確率提升,在涉及人類語音的音視頻問答任務(wù)上取得了超過30%的絕對準確率提升。此外,視頻-SALMONN在其他av-LLMs前所未有的任務(wù)上展示了卓越的視頻理解與推理能力。

      視頻-SALMONN的核心是多分辨率因果(MRC)Q-Former結(jié)構(gòu),它在三個不同的時間尺度上對同步的音視頻輸入特征與文本表示空間進行對齊,滿足不同任務(wù)對不同視頻元素的依賴需求。此外,為了加強連續(xù)視頻幀之間的時間因果關(guān)系,MRC Q-Former中包含了具有特殊因果掩碼的因果自注意力結(jié)構(gòu)。

      視頻-SALMONN的提出,不僅為學(xué)術(shù)界帶來了新的研究工具,也為實際應(yīng)用提供了廣闊的可能性。它使得技術(shù)與人類的交互變得更加自然和直觀,降低了用戶尤其是兒童和老年人學(xué)習(xí)使用技術(shù)的難度。同時,它還有潛力提高包括運動障礙人士在內(nèi)的技術(shù)的可訪問性。

      視頻-SALMONN的提出,是朝著實現(xiàn)通用人工智能(AGI)邁出的重要一步。通過整合語音輸入以及現(xiàn)有的非語音音頻和視覺輸入,這樣的模型將獲得對人類交互和環(huán)境的全面理解,從而能夠應(yīng)用到更廣泛的領(lǐng)域。

      這項技術(shù)的發(fā)展,無疑將為視頻內(nèi)容的分析、教育應(yīng)用、以及提升人們的生活質(zhì)量帶來深遠的影響。隨著技術(shù)的不斷進步,我們有理由相信,未來的AI將更加智能,更加貼近人類的需求。

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹慎對待。投資者據(jù)此操作,風(fēng)險自擔。

    即時

    新聞

    明火炊具市場:三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進了21600元。

    3C消費

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實質(zhì)性的幫助,雙十一期間低至2799元,性價比很高,簡直是創(chuàng)作者們的首選。

    研究

    中國信通院羅松:深度解讀《工業(yè)互聯(lián)網(wǎng)標識解析體系

    9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標識解析專題論壇在沈陽成功舉辦。