摘要

本报告简要介绍了我们在ActivityNet Challenge 2021中参与AVA主动说话者检测（Active Speaker Detection, ASD）任务的方法。我们的解决方案——扩展统一上下文网络（Extended Unified Context Network，简称Extended UniCon），基于一种专为鲁棒性说话者检测设计的新颖统一上下文网络（Unified Context Network, UniCon）。该网络通过融合多种类型的上下文信息，实现对所有候选目标的联合优化。我们在原始UniCon的基础上，对音频特征表示、时间建模架构以及损失函数设计进行了若干改进。最终，我们的最佳模型集成在AVA-ActiveSpeaker测试集上取得了93.4%的mAP（平均精度均值），且无需任何形式的预训练，创下新的最先进水平，目前在ActivityNet挑战赛排行榜上位居第一。