arXiv Computer Vision· Zhongyu Pang·· 20 小时前AI 评分22
从语音到语义：遥感图像语音驱动视觉定位的语义监督剖析
From Sound to Sense: An Anatomy of Semantic Supervision for Speech-Driven Visual Grounding in Remote Sensing Imagery
AI 导读
SemEcho 将冻结的 Whisper 语音通路嫁接到 VLTVG 定位宿主上，让语音与文本共享同一解码器，并据此剖析特征模仿蒸馏、词级 CTC 监督和两阶段 ASR 预训练三条语义注入通道。
来源：arXiv Computer Vision · arxiv.org