Zobrazeno 1 - 10
of 135
pro vyhledávání: '"Wu Ming Hui"'
Autor:
Lin, Jia-Rui, Wu, Ming-Hui
As an important contributor to GDP growth, the construction industry is suffering from labor shortage due to population ageing, COVID-19 pandemic, and harsh environments. Considering the complexity and dynamics of construction environment, it is stil
Externí odkaz:
http://arxiv.org/abs/2212.05181
Autor:
Du, Ye-Qian, Zhang, Jie, Zhu, Qiu-Shi, Dai, Li-Rong, Wu, Ming-Hui, Fang, Xin, Yang, Zhou-Wang
Unpaired data has shown to be beneficial for low-resource automatic speech recognition~(ASR), which can be involved in the design of hybrid models with multi-task training or language model dependent pre-training. In this work, we leverage unpaired d
Externí odkaz:
http://arxiv.org/abs/2204.02023
With the advance in self-supervised learning for audio and visual modalities, it has become possible to learn a robust audio-visual speech representation. This would be beneficial for improving the audio-visual speech recognition (AVSR) performance,
Externí odkaz:
http://arxiv.org/abs/2202.07428
Publikováno v:
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2022, pp. 3174-3178
Wav2vec2.0 is a popular self-supervised pre-training framework for learning speech representations in the context of automatic speech recognition (ASR). It was shown that wav2vec2.0 has a good robustness against the domain shift, while the noise robu
Externí odkaz:
http://arxiv.org/abs/2201.08930
In this paper, we propose a weakly supervised multilingual representation learning framework, called cross-lingual self-training (XLST). XLST is able to utilize a small amount of annotated data from high-resource languages to improve the representati
Externí odkaz:
http://arxiv.org/abs/2103.08207
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Wu, Ming-Hui, Chen, Sheng-Yun, Chen, Jian-Wei, Xue, Kai, Chen, Shi-Long, Wang, Xiao-Ming, Chen, Tuo, Kang, Shi-Chang, Rui, Jun-Peng, Thies, Janice E., Bardgett, Richard D., Wang, Yan-Fen
Publikováno v:
Proceedings of the National Academy of Sciences of the United States of America, 2021 Jun . 118(25), 1-9.
Externí odkaz:
https://www.jstor.org/stable/27041104
Publikováno v:
In Defence Technology September 2022 18(9):1589-1601
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.