技术栈

视觉多模态

HySpark
20 天前
声纹识别·智能语音·视觉多模态·说话人识别
视觉多模态说话人识别实战:从理想环境到重叠发言场景的泛化优化在会议场景中,视觉多模态方案通常需要结合音频、人物位置、人脸跟踪和唇部运动,判断当前发言人是谁。在三个人分开坐、依次发言的环境中,这套流程相对容易工作:画面中的人物位置比较稳定,每次只有一个人说话,音频切换点也比较清晰。
皇族崛起
10 个月前
人工智能·python·计算机视觉·图文多模态·视觉多模态
【视觉多模态】基于视觉AI的人物轨迹生成方案基于 Yolo-World v2 把人物从视频每帧中提取出来并分别存储在某路径下。现在的下一步,应该是把这些截图全部转换为向量并存储到向量数据库。
我是有底线的