首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于三维卷积和视觉Transformer的多模态唇语识别方法、装置及介质 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:山东浪潮数字服务有限公司

摘要:本发明提供了基于三维卷积和视觉Transformer的多模态唇语识别方法、装置及介质,属于唇语识别技术领域。所述方法包括:采集唇部视频数据和音频数据,并对数据进行标注和预处理;分别使用基于三维卷积和Transformer的网络从视频和音频中提取视觉特征和音频特征;采用自适应权重融合策略,动态整合视觉和音频两种模态的信息,生成融合特征向量;构建并训练唇语识别模型;将融合特征向量输入到训练完成的唇语识别模型中,依次经过三维卷积神经网络、模型前端编码器和解码器,输出最终的唇语识别结果。本发明动态结合视频和音频数据,以提升唇语识别的整体性能。

主权项:1.一种基于三维卷积和视觉Transformer的多模态唇语识别方法,其特征在于,包括:采集唇部视频数据和音频数据,并对数据进行标注和预处理;分别使用基于三维卷积和Transformer的网络从视频和音频中提取视觉特征和音频特征;采用自适应权重融合策略,动态整合视觉和音频两种模态的信息,生成融合特征向量;构建并训练唇语识别模型,所述唇语识别模型依次包括三维卷积神经网络、模型前端编码器和解码器;所述模型前端编码器依次包括二维卷积和视觉Transformer模型,所述视觉Transformer模型基于Transformer模型在其卷积标记嵌入层中加入了压缩和激励结构;所述解码器依次包括BiGRU、全连接层和softmax函数;将融合特征向量输入到训练完成的唇语识别模型中,依次经过三维卷积神经网络、模型前端编码器和解码器,输出最终的唇语识别结果。

全文数据:

权利要求:

百度查询: 山东浪潮数字服务有限公司 基于三维卷积和视觉Transformer的多模态唇语识别方法、装置及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。