语音活动检测（Voice Activity Detection， VAD）用于检测出语音信号的起始位置，分离出语音段和非语音（静音或噪声）段。VAD算法大致分为三类：基于阈值的VAD、基于分类器的VAD和基于模型的VAD。...

Visual grounding是一项定位自然语言表达所指示目标的任务。现有的方法将通用目标检测框架扩展到这个问题上。他们将Visual grounding建立在来自预先生成的proposals或anchors，并将这些特征与文本嵌入融合，以定位文本提...

本文分享 CVPR 2022 论文『BEVT: BERT Pretraining of Video Transformers』，复旦&微软提出 Video 版本 BERT，在多个视频数据集上SOTA！

本文分享论文『UniVL: A Unified Video and Language Pre-Training Model for Multimodal Understanding and Generation』，由西南交大&MSRA提出《UniVL》，用于多模态理解和生成的统一视频和语言预训练模型！...

随着人工智能技术的逐渐成熟，计算机视觉、语音、自然语言处理等技术在金融行业的应用从广度和深度上都在加速，这不仅降低了金融机构的运营和风险成本，而且有助于提升客户的满意度，比如：利用OCR技术快速处理海量表格做信息...

在金融、政务、法律、医疗等众多行业中，大量文档信息需要进行数字化及结构化处理，而人工处理方式往往费时费力，且容易产生错误。信息抽取技术能很好地解决这个问题。信息抽取（Information Extraction,IE）指的是从自然语言...

工业界垄断资源，NLP 寒冬 30 年内到来，可解释研究走错方向，NLPer：我太难了。作者 | 李梅编辑 | 陈彩娴一味追求大模型是不是走错了路？未来最有影响力的进展是会来自工业界还是学术界？语言模型到底有没有理解语言？我做的研究...

作者 | Migüel Jetté编译 | bluemin编辑 | 陈彩娴在过去的两年中，自动语音识别（Automatic Speech Recognition, ASR）在商用上取得了重要的发展，其中一个衡量指标就是：多个完全基于神经网络的企业级 ASR 模型成功上市，如 A...

5月20日，由深度学习技术与应用国家工程研究中心主办、飞桨承办的WAVE SUMMIT 2022深度学习开发者峰会在线上举办。百度集团副总裁、深度学习技术及应用国家工程研究中心副主任吴甜发布飞桨文心最新全景图，提出支撑大模...

5月20日，在WAVE SUMMIT 2022深度学习开发者峰会上,百度发布首个集可信分析和增强于一体的可信AI工具集-TrustAI，帮助NLP领域开发者了解神经网络模型的预测机制，构建更加可信、效果更强的模型，助力神经网络模型更安全、可...