博客
关于我
AAAI 2024 | 针对多模态表示偏差的非对称增强
阅读量:797 次
发布时间:2023-04-05

本文共 293 字,大约阅读时间需要 1 分钟。

论文信息

标题:Asymmetric Reinforcing against Multi-modal Representation Bias
作者:Xiyuan Gao, Bing Cao, Pengfei Zhu, Nannan Wang, Qinghua Hu

论文创新点

本研究提出了一种基于互信息的评估指标(MIV),用于衡量每个模态的边际贡献以及所有模态的联合贡献。同时,我们提出了一种非对称增强框架(ARM),通过动态特征级融合和平衡最小-最大损失,有效缓解多模态表示偏差问题。

这种创新方法不仅为多模态数据的表示优化提供了新的理论框架,还显著提升了模型的鲁棒性和表示能力。

转载地址:http://hvrfk.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
opencv之模糊处理
查看>>
opencv保存图片路径包含中文乱码解决方案
查看>>
opencv图像分割2-GMM
查看>>
OpenCV学习(13) 细化算法(1)(转)
查看>>
OpenCV探索
查看>>
opencv笔记(1):图像缩放
查看>>
OpenCV(1)读写图像
查看>>
OpenCV:概念、历史、应用场景示例、核心模块、安装配置
查看>>
Openlayers Source基础及重点内容讲解
查看>>
openlayers 入门教程(八):Geoms 篇
查看>>
Openlayers中使用Cluster实现缩放地图时图层聚合与取消聚合
查看>>