多模态信息融合 - arXivDaily 专题

2508.06902 2025-08-12 cs.CV 79%

eMotions: A Large-Scale Dataset and Audio-Visual Fusion Network for Emotion Analysis in Short-form Videos

Xuecheng Wu, Dingkang Yang, Danlei Huang, Xinyi Yin, Yifan Wang, Jia Zhang, Jiayu Nie, Liangyu Fu, Yang Liu, Junxiao Xue, Hadi Amirpour, Wei Zhou

机构 * School of Computer Science and Technology, Xi’an Jiaotong University（计算机科学与技术学院，西安交通大学）； College of Intelligent Robotics and Advanced Manufacturing, Fudan University & ByteDance（智能机器人与先进制造学院，复旦大学 & 字节跳动）； School of Cyber Science and Engineering, Zhengzhou University（网络科学与工程学院，郑州大学）； Institute of Advanced Technology, University of Science and Technology of China（先进技术研究院，中国科学技术大学）； Inspur Electronic Information Industry Co., Ltd（Inspur电子信息产业有限公司）； Department of Computer Science, The University of Toronto（计算机科学系，多伦多大学）； Research Center for Space Computing System, Zhejiang Lab（空间计算系统研究中心，浙江实验室）； Institute of Information Technology, University of Klagenfurt（信息技术学院，克雷格福特大学）； School of Computer Science and Informatics, Cardiff University（计算机科学与信息学院，卡迪夫大学）

专题命中音视频/视觉语言融合：audio-visual fusion(title,abstract)；分类 cs.CV

2508.07023 2025-08-12 cs.CV 57%

MV-CoRe: Multimodal Visual-Conceptual Reasoning for Complex Visual Question Answering

Jingwei Peng, Jiehao Chen, Mateo Alejandro Rojas, Meilin Zhang

机构 * Shaanxi University of Technology（陕西理工大学）； Technological University of Peru（秘鲁技术大学）

专题命中音视频/视觉语言融合：multimodal fusion(abstract)；分类 cs.CV

1. 音视频/视觉语言融合 2 篇

eMotions: A Large-Scale Dataset and Audio-Visual Fusion Network for Emotion Analysis in Short-form Videos

MV-CoRe: Multimodal Visual-Conceptual Reasoning for Complex Visual Question Answering