Andere Kunden interessierten sich auch für
![Construction culturelle de l'image corporelle chez les femmes efik au Nigeria]( "Construction culturelle de l'image corporelle chez les femmes efik au Nigeria")
Construction culturelle de l'image corporelle chez les femmes efik au Nigeria57,99 €![Image de famille]( "Image de famille")
Image de famille51,99 €![Prédiction des risques respiratoires liés à la pollution de l'air grâce à l'apprentissage profond]( "Prédiction des risques respiratoires liés à la pollution de l'air grâce à l'apprentissage profond")
Prédiction des risques respiratoires liés à la pollution de l'air grâce à l'apprentissage profond39,99 €![Détection des lésions à l'aide de la structure segmentée de la rétine]( "Détection des lésions à l'aide de la structure segmentée de la rétine")
Détection des lésions à l'aide de la structure segmentée de la rétine23,99 €![Fatima et la Reine de la Forêt]( "Fatima et la Reine de la Forêt")
Fatima et la Reine de la Forêt16,99 €![Image Caption]( "Image Caption")
Image Caption29,99 €![Brand Culture]( "Brand Culture")
Brand Culture215,99 €
Le sous-titrage d'images avec de l'audio est apparu comme une tâche difficile mais prometteuse dans le domaine de l'apprentissage profond. Cet article propose une nouvelle approche pour aborder cette tâche en intégrant les réseaux neuronaux convolutifs (CNN) pour l'extraction des caractéristiques des images et les réseaux neuronaux récurrents (RNN) pour l'analyse audio séquentielle. Plus précisément, nous nous appuyons sur des réseaux neuronaux convolutionnels pré-entraînés tels que VGG pour extraire les caractéristiques visuelles des images et nous employons des représentations de spectrogrammes couplées à des réseaux neuronaux récurrents tels que LSTM ou GRU pour traiter les entrées audio. Le modèle que nous proposons se base non seulement sur le contenu visuel des images, mais aussi sur les indices audio qui les accompagnent. Nous évaluons les performances de notre modèle sur des ensembles de données de référence et démontrons son efficacité à générer des légendes cohérentes et contextuellement pertinentes pour les images avec les entrées audio correspondantes. En outre, nous menons des études de tabulation pour analyser la contribution de chaque modalité à la performance globale du sous-titrage. Nos résultats montrent que la fusion des modalités visuelles et auditives améliore significativement la qualité du sous-titrage par rapport à l'utilisation isolée de l'une ou l'autre modalité.