基于多模态表征学习的自动音频字幕方法
Automatic audio captioning based on multi-modal representation learning
1. 重庆邮电大学 通信与信息工程学院, 重庆 400065
2. 西交利物浦大学 智能科学系, 江苏 苏州 215000
摘要
在自动音频字幕(Automated Audio Captioning，AAC)和大多数多模态研究领域中，模态差异一直构成重大挑战。增强模型对文本信息的理解，在建立文本和音频两种模态之间的无缝连接中起着至关重要的作用。最近的研究集中在通过对比学习的方法来缩小这两种模态之间的差距，但仅使用简单的对比损失函数来弥合这两种模态之间的差异是具有挑战性的。为减少模态差异带来的影响，增强模型对两种模态特征的利用率，本研究提出基于多模态表征学习的音频字幕方法SimTLNet，通过引入一种全新的表征模块TRANSLATOR，构造孪生表征结构，并联合对比学习和动量更新模型权重的方式，使模型能够同时学习音频模态和文本模态之间共有的高维语义信息。该方法在AudioCaps数据集和Clotho V2数据集上的METEOR、CIDEr和SPIDEr-FL分别达到了0.251、0.782、0.480和0.187、0.475、0.303，并取得了可以与最先进方法相媲美的结果，有效弥合了两种模态之间的差异。
基金项目
国家自然科学基金资助项目(62301096)
重庆市自然科学基金资助项目(CSTB2023NSCQ-MSX0659)
国家重点研究与发展(R&D)计划资助项目(2024QY2630)
西交利物浦大学资助项目(RDF-22-01-084)
出版信息
DOI: 10.19734/j.issn.1001-3695.2024.10.0465
出版期卷: 《计算机应用研究》 优先出版, 2025年第42卷 第6期
发布历史
[2025-03-10] 优先出版
引用本文
谭力文, 周翊, 柳银, 等. 基于多模态表征学习的自动音频字幕方法 [J]. 计算机应用研究, 2025, 42 (6). (2025-03-10). https://doi.org/10.19734/j.issn.1001-3695.2024.10.0465. (Tan Liwen, Zhou Yi, Liu Yin, et al. Automatic audio captioning based on multi-modal representation learning [J]. Application Research of Computers, 2025, 42 (6). (2025-03-10). https://doi.org/10.19734/j.issn.1001-3695.2024.10.0465. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
