MARC

 008250123s2024        us                              c    eng  d
■001000017161970
■00520250211151509
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382652443
■035    ▼a(MiAaPQ)AAI31299441
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSadhu,  Arka.
■24510▼aGrounding  Language  in  Images  and  Videos
■260    ▼a[Sl]▼bUniversity  of  Southern  California▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a244  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  A.
■500    ▼aAdvisor:  Nevatia,  Ramakant.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2024.
■520    ▼aWhile  machine  learning  research  has  traditionally  explored  image,  video  and  text  understanding  as  separate  fields,  the  surge  in  multi-modal  content  in  today's  digital  landscape  underscores  the  importance  of  computation  models  that  adeptly  navigate  complex  interactions  between  text,  images  and  videos.  This  dissertation  addresses  this  challenge  of  grounding  language  in  visual  media  -  the  task  of  associating  linguistic  symbols  with  perceptual  experiences  and  actions.  The  overarching  goal  of  this  dissertation  is  to  bridge  the  gap  between  language  and  vision  as  a  means  to  a  "deeper  understanding"  of  images  and  videos  to  allow  developing  models  capable  of  reasoning  over  longer-time  horizons  such  as  hour-long  movies,  or  a  collection  of  images,  or  even  multiple  videos.A  pivotal  contribution  of  my  work  is  the  use  of  Semantic  Roles  for  images,  videos  and  text.  Unlike  previous  works  that  primarily  focused  on  recognizing  single  entities  or  generating  holistic  captions,  the  use  of  Semantic  Roles  facilitates  a  fine-grained  understanding  of  "who  did  what  to  whom"  in  a  structured  format.  It  maintains  the  advantages  of  having  free-form  language  phrases  and  at  the  same  time  also  being  comprehensive  and  complete  like  entity  recognition,  thus  enriching  the  model's  interpretive  capabilities.In  this  thesis,  we  will  introduce  the  various  vision-language  tasks  developed  during  my  Ph.D.  This  includes  grounding  unseen  words,  spatio-temporal  localization  of  entities  in  a  video,  video  question  answering,  visual  semantic  role  labeling  in  videos,  reasoning  across  more  than  one  image  or  a  video,  and  finally,  weakly-supervised  open-vocabulary  object  detection.  Each  task  is  accompanied  by  the  creation  and  development  of  dedicated  datasets,  evaluation  protocols,  and  model  frameworks.  These  tasks  aim  to  investigate  a  particular  phenomenon  inherent  in  image  or  video  understanding  in  isolation,  develop  corresponding  datasets  and  model  frameworks,  and  outline  evaluation  protocols  robust  to  data  priors.The  resulting  models  can  be  used  for  other  downstream  tasks  like  obtaining  common-sense  knowledge  graphs  from  instructional  videos  or  drive  end-user  applications  like  Retrieval,  Question  Answering,  and  Captioning.  By  facilitating  the  deeper  integration  of  language  and  vision,  this  dissertation  represents  a  step-forward  in  machine  learning  models  capable  of  finer-understanding  of  the  world  around  us. 
■590    ▼aSchool  code:  0208.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aLinguistics
■653    ▼aComputer  vision
■653    ▼aImage  understanding
■653    ▼aMachine  learning
■653    ▼aNatural  language  processing
■653    ▼aVideo  understanding
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■690    ▼a0290
■71020▼aUniversity  of  Southern  California▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-11A.
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161970▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서