Augmenting speech transcripts of VR recordings with gaze, pointing, and visual context for multimodal coreference resolution
专题命中 音频语音多模态 :multimodal(title,abstract)
AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
专题命中 音频语音多模态 :multimodal(title,abstract)
机构 * IEEE
专题命中 音频语音多模态 :multimodal(abstract);分类 cs.CV
Comments 5 pages, 4 figures,