研究人员开发了 MMTM，这是一种通过结合语音识别、音频和视觉嵌入以及 BERTopic 聚类来发现长视频主题的新型管道。这种三模态方法显著提高了主题质量，减少了噪声并改善了时间稳定性，在聚类有效性和词汇连贯性等指标上取得了实质性改进。该团队已发布了管道代码和一个大型、经过人类验证的多模态视频主题语料库，以促进进一步研究。 AI
排序理由 该集群描述了一篇关于视频主题建模新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2605.29765v1 Announce Type: new Abstract: We introduce MMTM, a modular pipeline for topic discovery in long-form video that integrates speech recognition, audio and visual embeddings, and BERTopic clustering through a deterministic similarity-gated fusion. Evaluated cross-l…