机构名称：
¥ 1.0
视频字幕是一项视觉理解任务，旨在以语法和语义准确的描述生成。视频字幕中的主要挑战之一是捕获视频中存在的复杂动态。这项研究通过利用预先训练的3D卷积神经网络（3D-CNN）来解决这一挑战。这些网络在建模此类动态，增强视频上下文理解方面特别有效。我们评估了Microsoft研究视频描述（MSVD）数据集的方法，并在视频字幕中通常使用性能指标，包括苹果酒，BLEU-1至BLEU-4，Rouge-L，Rouge-L，Meteor和Spice。结果显示了所有这些指标的显着改善，证明了预训练的3D-CNN在增强视频字幕准确性方面的优势。关键字：视频字幕，视频语言多模式学习，运动功能。
利用预先训练的3D-CNN进行视频字幕
主要关键词
相关文件推荐
