arXiv · ML· Anirudh Praveen, Koteswar Rao Jerripothula, Pratik Joshi, Aveen Dayal, Neela Sawant·· 2026-10-09AI 评分26
基于复数融合的开词表音视频事件定位
Open-Vocabulary Audio-Visual Event Localization via Complex-Valued Fusion
AI 导读
基于复数融合的开词表音视频事件定位模型在 OV-AVEBench 未见类别划分中刷新 SOTA,达到 66.5% Acc 和 59.1% Seg-F1。 模型冻结视觉与音频编码器,仅训练时序注意力块和复数融合 CVNN。四流复数架构在未见类别 Acc 上较微调基线提升 1.6 个百分点。 该论文已被 2026 年英国计算机视觉会议(BMVC)接收。
来源:arXiv · ML · arxiv.org