AI Summary & Key Takeaways
AI InsightThese findings indicate that attention-guided fusion offers a powerful and generalizable information integration strategy for visual–auditory scene classification tasks.
📌 3 Key Takeaways
Abstract
This study proposes a novel multi-source deep learning architecture, called the Gated Cross-Modal Fusion Transformer (GCM-FT), designed to more effectively integrate the complementary structure of visual and auditory information sources in scene classification. The proposed framework extracts deep representations from the visual stream using an EfficientNetV2 backbone, while processing the MFCC-based time–frequency features provided within the dataset for the auditory stream. The representation vectors obtained from both streams are dynamically unified through a gated attention mechanism. With its multi-headed loss function, auxiliary stream outputs, and attention-based fusion block, the model is able to learn the contributions of visual and auditory information in a stable and balanced manner. Extensive cross-validation experiments demonstrate that GCM-FT achieves higher accuracy, lower variance, and more consistent class-wise performance compared with single-stream models and existing fused-information approaches. These findings indicate that attention-guided fusion offers a powerful and generalizable information integration strategy for visual–auditory scene classification tasks.
Özet
Bu çalışmada, görsel ve işitsel bilgi kaynaklarının tamamlayıcı yapısını etkili bir şekilde birleştirerek sahne sınıflandırma performansını artırmayı amaçlayan yeni bir çok akışlı derin öğrenme mimarisi olan Gated Cross-Modal Fusion Transformer (GCM-FT) önerilmektedir. Model, görüntü verilerini EfficientNetV2-B1 tabanlı bir omurga ağ ile işlerken, ses verilerine ait MFCC özelliklerini evrişimsel ve tekrarlayan katmanlardan oluşan bir akışta analiz etmektedir. Her iki akıştan elde edilen özellik temsilleri, dinamik olarak öğrenilen kapılı dikkat mekanizması ile birleştirilmekte ve böylece görsel–işitsel bilgiler arasındaki etkileşim dengeli bir biçimde modellenmektedir. Önerilen mimari, 10 katlı çapraz doğrulama protokolü kullanılarak genişletilmiş Kaggle sürümündeki 17.252 örnekten oluşan dokuz sınıflı Scene Classification – Images and Audio veri kümesi üzerinde değerlendirilmiştir. Deneysel sonuçlar, GCM-FT’nin hem görsel hem işitsel tek akışlı modellere göre daha yüksek doğruluk sağladığını ve %97,99 ± 0,37 ortalama doğruluk ile düşük varyanslı ve kararlı bir performans sergilediğini göstermektedir. Sınıf bazlı analizler, tüm sınıflarda yüksek F1-skorları elde edildiğini ve modelin benzer sahneler arasındaki ayrımı güvenilir biçimde gerçekleştirdiğini ortaya koymaktadır. Elde edilen bulgular, dikkat yönlendirmeli füzyonun sahne sınıflandırma problemlerinde etkili ve genellenebilir bir bilgi entegrasyon stratejisi sunduğunu doğrulamaktadır.