摘要
本文提出了一种用于单词级唇读（word-level lipreading）的新型深度学习架构。先前的研究表明，将预训练的深度三维卷积神经网络（3D Convolutional Neural Networks）作为前端特征提取器具有潜在优势。本文引入了一种名为SpotFast的网络结构，该结构是当前最先进的动作识别模型SlowFast网络的一种变体，其设计将时间窗口作为“慢路径”（spot pathway），而所有帧则作为“快路径”（fast pathway）。此外，我们进一步引入了增强记忆的横向Transformer模块，以学习序列特征并实现分类任务。我们在LRW数据集上对所提出的模型进行了评估。实验结果表明，该模型在性能上优于多种现有先进模型，且引入增强记忆的横向Transformer模块使SpotFast网络的性能提升了3.7%。