ترجمه فارسی مقاله یک سیستم تشخیص بلندگوی فعال صوتی بصری کارآمد و جریانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی An Efficient and Streaming Audio Visual Active Speaker Detection System
عنوان مقاله به فارسی یک سیستم تشخیص بلندگوی فعال صوتی بصری کارآمد و جریانی
نویسندگان Arnav Kundu, Yanzi Jin, Mohammad Sekhavat, Max Horton, Danny Tormoen, Devang Naik
فرمت مقاله انگلیسی PDF
تعداد صفحات 5
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Human-Computer Interaction,Machine Learning,چشم انداز رایانه و تشخیص الگوی , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper delves into the challenging task of Active Speaker Detection (ASD), where the system needs to determine in real-time whether a person is speaking or not in a series of video frames. While previous works have made significant strides in improving network architectures and learning effective representations for ASD, a critical gap exists in the exploration of real-time system deployment. Existing models often suffer from high latency and memory usage, rendering them impractical for immediate applications. To bridge this gap, we present two scenarios that address the key challenges posed by real-time constraints. First, we introduce a method to limit the number of future context frames utilized by the ASD model. By doing so, we alleviate the need for processing the entire sequence of future frames before a decision is made, significantly reducing latency. Second, we propose a more stringent constraint that limits the total number of past frames the model can access during inference. This tackles the persistent memory issues associated with running streaming ASD systems. Beyond these theoretical frameworks, we conduct extensive experiments to validate our approach. Our results demonstrate that constrained transformer models can achieve performance comparable to or even better than state-of-the-art recurrent models, such as uni-directional GRUs, with a significantly reduced number of context frames. Moreover, we shed light on the temporal memory requirements of ASD systems, revealing that larger past context has a more profound impact on accuracy than future context. When profiling on a CPU we find that our efficient architecture is memory bound by the amount of past context it can use and that the compute cost is negligible as compared to the memory cost.

چکیده به فارسی (ترجمه ماشینی)

این مقاله به وظیفه چالش برانگیز تشخیص فعال بلندگوها (ASD) می پردازد ، جایی که سیستم باید در زمان واقعی تعیین کند که آیا شخص در یک سری قاب های ویدیویی صحبت می کند یا نه.در حالی که کارهای قبلی گام های مهمی در بهبود معماری های شبکه و یادگیری بازنمایی های مؤثر برای ASD داشته است ، شکاف مهمی در اکتشاف استقرار سیستم در زمان واقعی وجود دارد.مدل های موجود اغلب از زمان تأخیر و استفاده از حافظه رنج می برند و آنها را برای کاربردهای فوری غیر عملی می کند.برای برطرف کردن این شکاف ، ما دو سناریو ارائه می دهیم که به چالش های کلیدی ناشی از محدودیت های زمان واقعی می پردازند.ابتدا روشی را برای محدود کردن تعداد فریم های زمینه آینده مورد استفاده در مدل ASD معرفی می کنیم.با این کار ، ما نیاز به پردازش کل دنباله فریم های آینده را قبل از تصمیم گیری کاهش می دهیم ، و به طور قابل توجهی تأخیر را کاهش می دهیم.دوم ، ما یک محدودیت دقیق تر را پیشنهاد می کنیم که تعداد کل فریم های گذشته را که مدل می تواند در طول استنتاج به آن دسترسی داشته باشد ، محدود می کند.این مسئله با مسائل مربوط به حافظه مداوم مرتبط با اجرای سیستم های ASD جریان است.فراتر از این چارچوب های نظری ، ما آزمایش های گسترده ای را برای تأیید رویکرد خود انجام می دهیم.نتایج ما نشان می دهد که مدل های ترانسفورماتور محدود می توانند به عملکرد قابل مقایسه با یا حتی بهتر از مدلهای مکرر مدرن ، مانند GRU های یک جهته ، با تعداد قابل توجهی از فریم های زمینه دست یابند.علاوه بر این ، ما بر نیازهای حافظه زمانی سیستم های ASD روشن می کنیم و نشان می دهیم که زمینه گذشته بزرگتر تأثیر عمیقی بر صحت نسبت به متن آینده دارد.هنگام پروفایل در پردازنده ، متوجه می شویم که معماری کارآمد ما حافظه محدود به میزان زمینه گذشته است که می تواند استفاده کند و هزینه محاسبه نسبت به هزینه حافظه ناچیز است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.