Cross-modality-enhanced visual Scene Graph Generation

2025-07-27

0

PRE

AI

DOI：10.1016/j.inffus.2025.103430

原文求助

摘要

En 中文

• 我们提出通过整合听觉信息来增强场景图。 • 我们设计了一个音频引导检测器，以提高场景中的实体识别。 • 我们融合视觉和音频特征以增强实体关系建模。 • 我们引入了VALM数据集，用于多模态视觉-听觉场景分析。

Keyword:

audio-enhanced scene graphs

audio-guided detector

visual-audio feature fusion

multimodal analysis

VALM dataset