Papers11:29
Chinese contentSceneBind: 跨视觉、音频和语言的语义-空间全模态表示SceneBind 把场景的“是什么”和“在哪里”一起建模，场景和空间检索都做到了 SOTA，还能零样本搞定音视频定位。
#音视频定位
1 stories · 0 in 7 days · 0 in 30 days
Stories, products and papers tagged "音视频定位", newest first.
Jul 17
SceneBind 把场景的“是什么”和“在哪里”一起建模，场景和空间检索都做到了 SOTA，还能零样本搞定音视频定位。