EVC-MSVD

新框架提取情感-原因对，生成更丰富的视频字幕

研究人员开发了一个新的框架，用于生成更准确、情感更丰富的视频字幕。该方法侧重于提取视频中的细粒度情感-原因对，而不是依赖可能导致信息冗余的全局视觉特征。所提出的方法通过整合场景、对象和运动概念来增强视觉特征，并使用视觉时间动态和VAD向量约束来完善情感特征。在三个数据集上的实验显示了显著的改进，包括在EVC-MSVD数据集上BLEU-2提高了4.4%，ROUGE-L提高了5.4%。