arXiv · NLP· TingTing Gu, JinCheng Luo, WenQiu Guo·· 2026-10-21AI 评分24
基于双向音频-文本交叉注意力的视频级矛盾与犹豫识别
Multimodal Ambivalence and Hesitancy Recognition with Bidirectional Audio--Text Cross-Attention
AI 导读
论文提出音频-文本框架识别视频级矛盾与犹豫,使用预训练多语言 BERT 和 wav2vec 2.0 编码并投影至共享表示空间。模型通过双层双向交叉注意力块允许语言与声学特征互注意力,无需显式时间对齐。在 BAH 数据集测试集上达到 72.19% 准确率和 77.95% F1-score。
来源:arXiv · NLP · arxiv.org