Autores:  (1) Pinelopi Papalampidi, Instituto de Linguagem, Cognição e Computação, Escola de Informática, Universidade de Edimburgo;  (2) Frank Keller, Instituto de Linguagem, Cognição e Computação, Escola de Informática, Universidade de Edimburgo;  (3) Mirella Lapata, Instituto de Linguagem, Cognição e Computação, Escola de Informática, Universidade de Edimburgo.  Tabela de Links   Resumo e introdução   Trabalho relatado   Formulação de problema   Configuração Experimental   Resultados e Análise   Conclusões e Referências   A. Detalhes do modelo   B. Detalhes de implementação   C. Resultados: Estudos de Ablação  B. Detalhes de implementação    Trabalhos anteriores [41] avaliam o desempenho de modelos de identificação de TP em termos de três métricas: Concordância Total (TA), ou seja, a porcentagem de cenas TP que são identificadas corretamente, Concordância Parcial (PA), ou seja, a porcentagem de cenas TP eventos para os quais pelo menos uma cena padrão-ouro é identificada, e Distância (D), ou seja, a distância mínima em número de cenas entre o conjunto de cenas previsto e padrão-ouro para um determinado TP, normalizado pela duração do roteiro. Relatamos resultados com a métrica de concordância parcial. Não podemos mais usar a concordância total, uma vez que avaliamos os rótulos do padrão prata (em vez do ouro) para tomadas (em vez de cenas) e, como resultado, consideramos todas as tomadas dentro de uma cena igualmente importantes. Também não utilizamos a métrica de distância, uma vez que produz resultados muito semelhantes e não ajuda a discriminar entre variantes do modelo. Métricas de Avaliação    Seguindo o trabalho anterior [42], projetamos todos os tipos de recursos (ou seja, textuais, visuais e de áudio) para a mesma dimensão inferior de 128. Descobrimos que dimensões maiores aumentam consideravelmente o número de parâmetros e produzem resultados inferiores, possivelmente devido a tamanho pequeno do conjunto de dados. Hiperparâmetros  Contextualizamos cenas (em relação ao roteiro) e tomadas (em relação ao vídeo) usando codificadores transformadores. Experimentamos 2, 3, 4, 5 e 6 camadas no codificador e obtivemos melhores resultados com 3 camadas. Para a dimensão feed forward (FF), experimentamos um tamanho padrão de 2.048 e um tamanho menor de 1.024 e descobrimos que o primeiro funciona melhor. Usamos outro codificador transformador para calcular a representação de uma cena a partir de uma sequência de representações de sentenças de entrada. Este codificador possui 4 camadas e dimensão de 1.024 FF. Ambos os codificadores empregam 8 cabeças de atenção e 0,3 dropout.  Durante a esparsificação do gráfico (ou seja, seleção dos k vizinhos principais), consideramos diferentes opções de vizinhança para as redes baseadas em cena e tomada devido à sua granularidade e tamanho diferentes. Seguindo [42], consideramos [1–6] vizinhos para a rede de cena e aumentamos o tamanho da vizinhança para [6–12] para a rede de tomadas.   Este artigo está   sob licença CC BY-SA 4.0 DEED. disponível no arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Kinetopgraph.TECH

Read My Stories

kinetograph

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Geração de trailer de filme por meio de decomposição de tarefas: detalhes de implementação

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps