- 综合排序
- 最热优先
- 最新优先
别卷单模态了！YOLO+多模态 才是未来场景实战的“天选方案”
文章围绕轻量化多模态融合、动态模态选择机制、开放词汇检测等核心方向，分析了如MM-YOLO、LMS-YOLO、YOLO-World等代表性工作所引入的门控机制、模态对齐策略与跨模态语义引导方法，展现了YOLO 于是，多模态融合检测技术快速崛起，YOLO也不再局限于“看图识物”，而是学会了“多感官协同感知”。本文将结合近年来YOLO家族与多模态目标检测的前沿研究，带你快速了解：YOLO+多模态为何成为趋势？ 当前主流的多模态融合方法有哪些？多模态检测如何实现轻量部署？开放词汇、语义引导等新范式如何与YOLO结合？一、RGB-only YOLO，为何渐显疲态？ 二、YOLO + 多模态，正成为研究热点近年来，多模态检测逐步成为主流趋势，而YOLO作为工业界最受欢迎的检测骨干，也在这一浪潮中不断进化。下面我们盘点几个关键研究方向及代表性论文。 展望未来，YOLO + 多模态检测将在以下几个方向继续突破：模态感知更“聪明”：动态融合与选择机制主导主流尽管现有多模态YOLO方法（如MM-YOLO、CDC-YOLOFusion）已实现图像层面的双流融合
1.9K11编辑于 2025-07-25- 来自专栏数据科学（冷冻工厂）
单细胞分析：多模态 reference mapping (2)
") Example 2：绘制人类骨髓细胞图谱 Data 例如，我们将由人类细胞图谱项目生成的，来自八位不同捐献者的人类骨髓单核细胞（BMNC）数据集进行了映射。 尽管我们也可以计算并应用传统的PCA投影，但在处理通过WNN分析构建的多模态参考数据时，我们更推荐使用监督式PCA（sPCA）。 spca.annoy.neighbors"]], file = "/brahms/shared/vignette-data/reftmp.idx") 查询数据集预处理 本节我们将展示如何将来自多位捐献者的骨髓样本与一个多模态骨髓参考集进行比对 hcabm40k.batches <- lapply(X = hcabm40k.batches, FUN = NormalizeData, verbose = FALSE) Mapping 接下来，我们在每位捐献者的数据集与多模态参考集之间确定锚点 = 3) p1 + p2 + plot_layout(guides = "collect") 我们还可以把所有的数据对象合并成一个统一的数据集。
41410编辑于 2024-05-17 - 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(2)
oSoftMax函数：将多酚类输出值转转换为[0,1]之间的概率分布，且概率和为1. 这批数据的总量不大，但是其种类丰富，包含了基于各个任务的多轮对话数据。 这句话可以按以下思维逻辑分解:如果去掉余的两个苹果，剩下的苹果应该等分为2份，那么老大最后的苹果数量(26-2)/2=12个，老二分得的苹果比老大的多两个，则老二的苹果数量12+2=14个。 GPT-3 文本生成、多轮对话、机器翻译方面、智能问答具有优势。 GPT-3缺陷： ·无法保证生成的文章是否符合人类的价值观、是否有政治敏感和种族歧视的信息 ·其长距离上下文理解能力不够强 ·多轮对话能力有待提高。
54110编辑于 2024-09-10 - 来自专栏我爱计算机视觉
EMNLP 2021-多模态Transformer真的多模态了吗？论多模态Transformer对跨模态的影响
Motivation 视觉语言BERT模型扩展了BERT架构，以生成多模态输入的跨模态上下文表示。当对一系列下游任务进行微调时，这些模型已被证明是非常有效的。 2）作为一种内在的诊断，它直接检查模型，而不需要添加学习参数。 3）它不需要解释激活或attention。 在本文中，作者对现有模型上的交叉模态输入消融进行了研究，以证明其在理解模型行为方面的实用性。 如果测试过程中，去除某个模态的信息，对最终结果影响很大，那这个模态在最终预测的时候就是有用的；否则这个模态就是没用的。 多模态模型在预测时使用由多模态输入触发的跨模态激活。 这是原始的多模态设置，因此，有效使用多模态信息的模型应该表现最好。 Object： 在这里，作者只删除与对齐的文本短语相对应的图像区域，该模型仍然可以使用周围的视觉上下文特征 。 测试的模型显示了vision-for-language，而不是language-for-vision的结果，这一事实可能是多模态任务的积累，因为一些下游多模态任务需要强烈的 vision-for-language
2.5K20发布于 2021-09-28 - 来自专栏机器之心
多模态版Llama2上线，Meta发布AnyMAL
先前的多模态 LLM 研究集中在结合文本和另一种模态的模型上，如文本和图像模型，或者集中在非开源的专有语言模型上。 如果有能够实现多模态的更好方法，将各种模态能够嵌入在 LLM 中使用，会给我们带来不一样的体验吗？ ）对齐，从而实现了交错式多模态上下文提示。 方法 方法概览 预训练模态对齐 本文使用配对的多模态数据（特定模态信号和文本叙述）对 LLM 进行预训练，从而实现多模态理解能力，如图 2 所示。 利用多模态指令数据集进行微调 为了进一步提高模型对不同输入模态的指令跟随能力，研究利用多模态指令调整（MM-IT）数据集进行了额外的微调。
64020编辑于 2023-10-04 - 来自专栏存内计算加速大模型
腾讯发表多模态综述，什么是多模态大模型
多模态大模型的整体架构可以被归类为如下图的五个部分，整个多模态大模型的训练可以被分为多模态理解与多模态生成两个步骤。 ，而这两部分一般参数量仅占总体参数的 2%。 2.跨模态融合层（Cross-Modal Fusion Layer）· 用于整合来自不同模态编码器的特征表示，可能采用早期融合、晚期融合或中间融合策略。 多模态融合多模态循环翻译网络(MCTN)是一种通过模态翻译学习鲁棒联合表示的神经网络模型。如图2所示，MCTN提供了两种模式的全面概述。 北大等提出CBNet https://zhuanlan.zhihu.com/p/83004945(2) 多模态预训练模型综述 https://zhuanlan.zhihu.com/p/613290595
5.7K13编辑于 2024-05-14 agent多模态学习
二、多模态 Agent 的整体架构 一个完整的多模态 Agent 系统通常包含以下层次，其数据流如下： 用户多模态输入 → 多模态感知层 → 意图理解与规划层 → Agent 协作层 → 工具/环境交互层 → 反馈与优化层 → 多模态输出 2.1 多模态感知层 (Multimodal Perception Layer) 作为系统的“感官”，负责将原始的多模态输入转换为结构化的特征向量。 目标检测与分割：在需要精确定位的应用中，可使用 Faster R-CNN、YOLO 等模型识别图像中的特定对象。 四、多模态意图理解与任务规划 4.1 多模态意图识别 多模态意图识别旨在从用户的文本、图像、语音等多种输入中，准确判断其核心需求。 多模态分类模型：训练一个分类器，输入为多模态特征，输出为意图标签。 LLM 直接判断：利用 GPT-4V 等具备视觉能力的模型，直接分析多模态输入并输出意图。
49710编辑于 2026-01-15- 来自专栏CSDN社区搬运
多模态COGMEN详解
在本文中，我们提出了基于 COntex- tualized Graph Neural Network的多模态情感识别COGMEN）系统，该系统利用了本地信息（即说话人之间的内/外依赖性）和全局信息（上下文 我们的模型在IEMOCAP和MOSEI数据集上给出了最先进的 （SOTA）结果，详细的消融实验显示了在两个层面上对信息进行建模的重要性 论文模型框架 图2显示了详细的体系结构。 __init__() self.num_relations = 2 * args.n_speakers ** 2 self.conv1 = RGCNConv(g_dim, h1_dim, self.num_relations) self.conv2 = TransformerConv(h1_dim, h2_dim, heads=args.gnn_nheads “iemocap_4” --modalities=“atv” 部署方式 下载我训练好模型，以及数据集，附件里有data，modelcheckpoint文件夹，分别替换代码中的文件夹即可，我对每个单独的模态都有训练
32410编辑于 2024-12-05 【多模态大模型】
多模态大模型的核心能力 多模态大模型通过融合视觉、听觉、文本等多维度数据实现综合理解与生成。典型应用包括： 图像到文本：识别图片内容并生成描述、广告文案或诗歌。 跨模态检索：根据文本搜索相关图像/视频，或反之。 代表模型如GPT-4V（视觉增强版）、通义千问多模态版、文心一言（ERNIE-ViLG）均支持此类任务。 多模态对齐：模型将图像特征与文本语义空间对齐，生成候选描述。 输出优化：通过强化学习调整生成文本的流畅性与吸引力。 模型训练与优化要点 数据准备：需对齐的多模态数据集（如COCO-Captions、AudioSet）。 多模态大模型的应用需结合具体场景调整输入预处理与后处理逻辑，以达到最佳效果。
30410编辑于 2026-01-20- 来自专栏一点人工一点智能
多模态认知计算
2008 年，Li 等人在“Visual Music and Musical Vision[2]”一文中首次将联觉引入信息领域，并从信息度量角度计算多模态数据的关联，尝试性地探讨了“多模态认知计算”的理论及应用 因此，可以从三方面提升机器的认知能力：(1) 优化 A，即使机器 获得更大信息量; (2) 增大 I，即利用对于给定任务信息量更大的数据; (3) 减小 D，即减小数据量。 (2) 跨模态生成通过增大 I，减小 D 来提升 ρ。它将信息以模态为载体进行传输，利用不同模态的差异性，对已知信息进行跨模态的合成与转换。 本节从多模态对齐，多模态关联和多模态检索三方面阐述多模态关联相关工作。其中，多模态对齐是一类基础性需求，如图像区域内容和文字词汇的语义对齐，视觉唇部运动与语音声素之间的时间对齐等。 假设已知某实体已知 m 个模态信息 {X1，X2，· · · ，Xm}，跨 模态生成任务可以概括为 其中 Xp 是缺失待恢复的模态实体。
95830编辑于 2022-12-27 - 来自专栏多模态视频理解
多模态算法综述
在UCF101数据集上达到了87%的准确率图片（2）Beyond Short Snippets: Deep Networks for Video Classification，尝试了多种多帧帧见融合策略如 （2）I3D：Quo Vadis, Action Recognition? ，同时也更加注重多模态的内容理解。 Vision-language Understanding with Contrastive Learning图片ALBEF包含一个图像编码器（ViT-B/16），一个文本编码器（BERT的前6层），以及一个多模态编码器 、多模态预训练方面提供大量的帮助，也给后来的文章提供了崭新的思路BLIP（Bootstrapping Language-Image Pre-training for Unified Vision-Language
3.1K30编辑于 2022-07-12 - 来自专栏素质云笔记
多模态＋Recorder︱多模态循环网络的图像文本互匹配
. 2.研究现状 尽管图像文本本质上表征了同一组语义概念，但是它们的表现形式由于不同数据模态间较大的差异性而相去甚远。如何鲁棒的表示图像和文本、精准的度量两者的相似性是一个棘手的问题。 为了处理这一问题，现有方法按照对图像文本对应关系建模方式的不同主要可以被分为两大类：1)一对一匹配和2)多对多匹配，如图1所示。 图1：图像文本匹配常用方法之间的对比。 . 3.我们的方法 图2：提出的选择式多模态循环网络用于图像文本匹配。 以上图中两个例子来说明跨媒体检索，如Text2Img和Img2Text。 2）从数据语义的角度来进行不同模态数据的匹配，在此基础上，通过加入三元组的限制条件，来提高匹配精度。遵循的原则为：在最小化同一语义数据在不同模态之间距离的同时，最大化不同模态不同语义数据之间的距离。
2.8K20发布于 2019-05-26 - 来自专栏音乐与健康
多模态很简单，搞懂多模态，站在 AI 发展的最前沿
现实世界的信息是多模态的（Multi-Modal），比如：视频 = 图像+声音+文本字幕自动驾驶 = 摄像头+激光雷达+毫米波雷达+GPS医疗AI = X光片+病历文本+基因数据 多模态融合（Multi-Modal 今天，我们就来深入拆解多模态融合的奥秘！多模态到底是什么？ “模态” 就是信息的不同形式，比如：举个例子️：你在看一部电影，如果只看画面没声音，体验是不是很割裂？ 所以，多模态融合就是让AI像人一样，把各种信息整合在一起，提高理解能力！多模态融合有哪些方式？ 缺点：不同模态的数据格式差异大，直接融合可能会增加噪声和计算复杂度。2️⃣ 中期融合（Mid Fusion）—— 特征级融合 特点：各个模态单独通过不同的神经网络提取特征，然后再合并进行决策。 举例：医疗AI（判断病人是否有某种疾病）：模型1：分析 CT/X光 影像结果模型2：分析电子病历模型3：分析基因检测数据最终投票决策，给出综合诊断！
1.2K10编辑于 2025-07-29 - 来自专栏全栈程序员必看
多模态情感识别_多模态融合的情感识别研究「建议收藏」
情感表达的模态包括面部表情、语音、姿势、生理信号、文字等,情感识别本质上是一个多模态融合的问题。 提出一种多模态融合的情感识别算法,从面部图像序列和语音信号中提取表情和语音特征,基于隐马尔可夫模型和多层感知器设计融合表情和语音模态的情感分类器。 提出的多模态识别算法较好地利用了视频和音频中的情感信息,相比于仅利用语音模态的识别结果有较大的提升,相比于表情模态的识别结果也有一定改进,是一种可以采用的情感识别算法。
1.7K10编辑于 2022-06-24 - 来自专栏学习
机器学习——多模态学习
多模态学习：机器学习领域的新视野 引言 多模态学习（Multimodal Learning）是机器学习中的一个前沿领域，它涉及处理和整合来自多个数据模式（如图像、文本、音频等）的信息。 什么是多模态学习？ 多模态学习旨在同时处理来自不同模态的数据，从而提高模型的表现能力。 多模态学习的挑战 多模态学习面临一些独特的挑战，例如： 模态间的异质性：不同模态数据的性质差异较大，例如图像是二维数据，文本是序列数据。 对齐问题：不同模态之间可能需要对齐，如图像和文本的时间同步。 for line in file: parts = line.strip().split("\t") if len(parts) == 2: 多模态模型能够同时处理这些信息，从而理解视频的内容并进行分类、检索或生成描述。 结论 多模态学习是一个快速发展的领域，其潜力非常巨大。
62110编辑于 2024-10-10 - 来自专栏强化学习专栏
多模态智能的发展
文章分类在学习摘录和笔记专栏： 学习摘录和笔记（18）---《多模态智能的发展》 多模态智能的发展 1 多模态智能定义 多模态智能旨在融合多种模态的信息进行处理实现智能应用 将多模态信号统一到同一个向量空间中，从而实现了多模态信号的交叉处理。 多模态表示：由于其复杂的跨模态交互作用和各模态训练数据与测试数据之间可能存在的失配问题，仍然是一个具有挑战性的问题。 2 多模态智能融合的发展 融合是多模态研究中的一个关键问题，它将从不同单模态数据中提取的信息整合到一个紧凑的多模态表示中。 早期融合：即特征级融合，直接将从各类单模态数据中提取的特征组合在一起，以强调模态间的相互作用，从而抑制模态间的相互作用。
31610编辑于 2024-12-03 - 来自专栏算法之名
多模态大模型篇
2、无论输入多少个词向量，只输出一个label 3、输入输出的长度上没有确定关系，输出不由输出的词向量的长度决定。它其实就是Seq2Seq。 \)；同样,k和v也做同样的操作，分别得到\(k^{i,1}、k^{i,2}\)以及\(v^{i,1}、v^{i,2}\)，剩下的步骤就跟之前是一样的，只不过是1跟1的玩，2跟2的玩。 即\(α^{i,1}=q^{i,1}k^{i,1}\),\(α^{i,2}=q^{i,2}k^{i,2}\)。最后算出每个头各自的b。 具体一点说，当我们去计算\(b^2\)的时候，我们只会用\(q^2\)去分别乘以\(k^1\)和\(k^2\)得到\(α_{2,1}'\)和\(α_{2,2}'\)，而不必理会后面的\(k^3、k^4\ 再用\(α_{2,1}'、α_{2,2}'\)分别乘以\(v^1、v^2\)，结果再相加就得到了\(b^2\)。
1.5K51编辑于 2023-10-16 - 来自专栏喔家ArchiSelf
浅析多模态机器学习
多模态大模型就是指模型可以处理多种结构/类型的数据，例如GPT-4，它既可以处理你输入的文本，也可以处理你上传的图片。 那么，多模态到底意味着什么呢？ 1. 什么是多模态？ 有两种类型的融合：- 早期融合：模态将在训练早期就连接起来。- 晚期融合：我需要在每个模态早期进行一些处理，然后再将它们组合起来。 看一些现实世界的例子，了解什么是MMML应用： 2. 2.2 相关术语 数据集是带有标签的样本集合，包括： 训练集：在这个训练集上学习分类器 验证集：通过查看L1或L2函数在此处选择最佳的超参数，基本上希望看到哪些超参数会带来最佳的结果。 - 它将使用L1（曼哈顿）或L2（欧几里得）距离。 2.3 神经网络基础 根据激活函数的不同，一个神经元可以被称为一个线性分类器。 3.2 多模态机器翻译 多模态机器翻译涉及从多个模态中提取信息，基于这样的假设，附加的模态将包含有用的输入数据的替代视图。
80621编辑于 2023-09-02 - 来自专栏自然语言处理(NLP)论文速递
剑桥 | 发布多模态检索器，赋能多模态大模型RAG应用
PreFLMR模型是一个通用的预训练多模态知识检索器，可用于搭建多模态RAG应用。 图 2：PreFLMR 模型同时在多项任务上取得极佳的多模态检索表现，是一个极强的预训练基底模型。 2. 尤其是在多模态任务中，用户的问询（Query）包含复杂场景信息，压缩至一维向量极大抑制了特征的表达能力。PreFLMR 继承并改进了 FLMR 的结构，使其在多模态知识检索中有得天独厚的优势。 下文将简略介绍 M2KR 数据集，PreFLMR 模型和实验结果分析。 M2KR 数据集 为了大规模预训练和评估通用多模态检索模型，作者汇编了十个公开的数据集并将其转换为统一的问题 - 文档检索格式。 结论 剑桥人工智能实验室提出的 PreFLMR 模型是第一个开源的通用后期交互多模态检索模型。经过在 M2KR 上的百万级数据预训练，PreFLMR 在多项检索子任务中展现出强劲的表现。
55710编辑于 2024-03-26 - 来自专栏音乐与健康
基于深度学习的多模态音乐可视化-多模态音乐治疗
目前，大多数的研究都集中在听觉和视觉模态相结合的多模式情绪识别上，然而，来自中枢神经系统，例如 EEG 信号和外部行为，例如眼球运动的多模态结合已被证明是对情绪识别更加有效的方法。 为了结合用户的内部大脑活动和外部潜意识行为，本文提出了使用 6 个 EEG 电极和眼动追踪眼镜来识别人类情绪的多模态框架 EmotionMeter。本文提出的情绪识别系统的框架如图 1 所示。 多模态生成系统LLM将音频特征转化为"暗红色漩涡伴随铜管乐器闪烁"等具象描述，Text-to-Image模型据此生成风格化图像，最后通过DAIN（深度感知视频插帧）算法实现24fps流畅输出，确保鼓点与视觉变化误差 对于模态融合，本文比较两种方法：1）特征级融合和2）多模态深度学习。对于特征级融合，EEG 和眼动数据的特征向量直接连接成一个较大的特征向量作为 SVM 的输入。 表 III 显示了每种单一模式（眼球运动和脑电图）和两种模态融合方法的表现，图 9 显示了使用不同模态的准确度盒形图。
32310编辑于 2025-07-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号