[短]粗讀CVPR2019論文 Deep Multimodal Clustering for Unsupervised Audiovisual Learning

聲明：本文爲個人觀點，如有不同意見，希望評論區指出，共同進步。 文章核心思想： 作者首先給了一個問題，簡單概括就是一段話。 給你一個圖像和一個音頻，你要怎麼把無聲圖像中的對象和對應音頻中發出的聲音給匹配起來，在一個音頻中，聲音往往是多個聲源共同發出的，如何才能把聲源中的K個發聲源和圖像中的K個發聲源頭給他組合到一起呢？就比如一個視頻，一直一個畫面，有雞有鴨，但沒有聲音，這時候，給你一個音頻，有雞叫

>>阅读原文<<