从字幕到叙事：多句子视频字幕生成
计算机视觉与模式识别
2016-05-19 v1
摘要
近期图像字幕任务的进展引发了视频字幕任务日益增长的兴趣。然而，多数视频字幕工作聚焦于生成聚合特征的单一输入，这几乎未偏离图像字幕过程，且未充分利用视频中存在的动态内容。我们尝试通过时间分割视频与动作定位，从多帧生成多个字幕，并利用自然语言处理技术将其连接，以生成故事般的字幕，从而生成内容更丰富的视频字幕。我们展示了所提方法能够生成内容更丰富的字幕，且无需显式使用视频级特征作为输入即可与最先进（state-of-the-art）方法竞争。
引用
@article{arxiv.1605.05440,
title = {Beyond Caption To Narrative: Video Captioning With Multiple Sentences},
author = {Andrew Shin and Katsunori Ohnishi and Tatsuya Harada},
journal= {arXiv preprint arXiv:1605.05440},
year = {2016}
}
备注
accepted to ICIP 2016