IEEE TMM的文章

视频字幕任务的目的是使用几个自然语言句子来描述视频内容。尽管一步式编解码器模型已经取得了很有前景的进展，但其生成过程中总会出现许多错误，这些错误主要是由于视觉域和语言域之间存在较大的语义差距以及长序列生成困难造成的。

网络上广泛使用图像和文本来表达观点，这就需要多模式情感识别。一些常用的社交媒体数据包含简短的文本和很少的图片，如推文和产品评论，已经得到了很好的研究。然而，读者阅读网络新闻后的情绪预测仍然是一个挑战，因为新闻文章往往有更复杂的结构，如更长的文字和更多的图片。

最近，密集的视频字幕在检测和字幕所有事件在一个长未修剪的视频取得了引人注目的进展。尽管取得了令人满意的结果，但大多数现有的方法都没有充分地探索在事件时态字幕方案中的场景演化，因此，当场景和物体在相对较长的方案中发生变化时，表现不太令人满意。为了解决这个问题，我们提出了一个基于图的分割和摘要(gpa)框架，在两个阶段密集视频字幕。

得益于卷积神经网络(CNNs)强大的识别特征学习能力，近年来深度学习技术在显著目标检测(SOD)任务中取得了显著的性能提升。

目前对多媒体的研究主要是研究我们对世界的观察所获得的信息，而人脑内部的活动，如对过去事件的想象和记忆等，可能成为一个全新的多媒体概念，我们称之为“大脑媒体”。

JPEG有损图像压缩是目前主流网络媒体广泛应用的一种静态图像压缩算法模型。然而，在低比特率下压缩图像的质量并不令人满意。本文的目的是提高压缩图像的质量和抑制块伪影，通过改进JPEG图像压缩模型在低比特率。

由于深度卷积神经网络的成功和大规模数据集的可用性，我们最近看到了图像分类的巨大进展。现有的工作大多集中在单标签图像分类上。然而，通常有多个标签与一个图像相关联。现有的多标签分类工作主要是基于实验室策划标签。

记忆下降法(MDM)算法是第一个用于高精度人脸比对的端到端循环卷积系统。然而，计算复杂度高、内存访问要求高，难以满足实时应用的要求。为了解决这一问题，本文提出了一种改进的MDM (I-MDM)算法，基于几个面向硬件的优化实现高效的硬件实现。

最近，软视频多播得到了很多关注，特别是在广播和移动场景中，信道支持的比特率可能因不同的接收器而不同，并且可能随着时间的推移而迅速变化。与传统设计强制源根据信道质量最差的接收机使用单个比特率不同，软视频传输方案传输视频，使每个接收机的视频质量与其特定的瞬时信道质量相适应。

自动语音识别(ASR)系统是当前基于语音的系统的关键组成部分。然而，周围的噪声会严重降低ASR系统的性能。解决这一问题的一个有吸引力的解决方案是，在传统的基于音频的ASR系统中增加描述嘴唇活动的视觉特征。