AudioCLIP: توسيع CLIP إلى الصور والنصوص والأصوات

في الماضي، استفادت مجال التصنيف الصوتي المتطور بسرعة بشكل كبير من تطبيق طرق من مجالات أخرى. اليوم، نلاحظ اتجاهًا لدمج المهام والأساليب الخاصة بالمجالات معًا، مما يوفر للمجتمع نماذج متميزة جديدة. في هذا العمل، نقدم توسيعًا لنموذج CLIP يمكنه التعامل مع الصوت بالإضافة إلى النصوص والصور. يضم النموذج المقترح نموذج الصوت ESResNeXt في إطار CLIP باستخدام مجموعة بيانات AudioSet. يمكّن هذا الجمع النموذج المقترح من أداء التصنيف والاستفسار ثنائي الوضع وواحد الوضع، مع الحفاظ على قدرة CLIP على التعميم إلى مجموعات بيانات غير مشاهدة بطريقة الاستدلال بدون تعلم (zero-shot inference). يحقق AudioCLIP نتائج جديدة رائدة في مهمة تصنيف الأصوات البيئية (ESC)، حيث يتفوق على الأساليب الأخرى بوصوله إلى دقة 90.07٪ في مجموعة بيانات UrbanSound8K و97.15٪ في مجموعة بيانات ESC-50. علاوة على ذلك، يقوم بإعداد خطوط أساس جديدة في مهمة ESC بدون تعلم على نفس مجموعات البيانات (68.78٪ و69.40٪ على التوالي). أخيرًا، نقيم أيضًا أداء الاستفسار عبر الأوضاع للنموذج المقترح وكذلك تأثير التدريب الكامل والجزئي على النتائج. من أجل إمكانية إعادة الإنتاج، تم نشر كودنا.