Multi-Modal Fusion-Based Multi-Task Semantic Communication System
基于多模态融合的多任务语义通信系统
专题命中 融合架构与评测 ：multi-modal fusion(title,abstract)；information fusion(abstract)；分类 eess.SP
AI总结 本文提出基于多模态融合的多任务语义通信系统，利用BERT融合模块提升多模态信息处理效率，实验表明其在性能和通信开销上优于现有模型。
视觉与机器人
多模态信息融合
面向图像、视频、多传感器和跨模态感知的信息融合，包括 Image Fusion、红外可见光、遥感、医学影像、LiDAR/雷达/相机和音视频融合。
1. 融合架构与评测 4 篇
A Game-Theoretic Approach for Adversarial Information Fusion in Distributed Sensor Networks
对抗信息融合在分布式传感器网络中的博弈论方法
专题命中 融合架构与评测 ：information fusion(title,abstract)
AI总结 本研究提出博弈论方法，用于解决分布式传感器网络中对抗信息融合问题，通过软隔离防御、最优决策融合策略、近似最优消息传递算法和数据篡改防御机制，提升系统安全性。
Comments My PhD Thesis in Information Engineering and Sciences defended at University of Siena in Italy in 2017 under the supervision of Professor Mauro Barni
UAV-MM3D: A Large-Scale Synthetic Benchmark for 3D Perception of Unmanned Aerial Vehicles with Multi-Modal Data
UAV-MM3D: 一种大规模合成基准，用于多模态数据下的无人机三维感知
机构 * Pengcheng Laboratory（鹏城实验室） ； University of Southern California（南加州大学）
专题命中 融合架构与评测 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 UAV-MM3D通过多模态合成数据提升无人机三维感知能力，提供高保真数据集和多任务基线模型。
Interpretable Multimodal Cancer Prototyping with Whole Slide Images and Incompletely Paired Genomics
可解释的多模态癌症原型生成：结合整张滑片图像与不完全配对的基因组学
机构 * Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系） ； Department of Electrical & Electronic Engineering, The University of Manchester, UK（曼彻斯特大学电气与电子工程系） ； Department of Pathology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, China（南方医科大学肿瘤学国家重点实验室、广东省癌症临床研究中心、中山大学肿瘤中心病理学部） ； Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong SAR, China（香港大学统计与精算科学系） ； Department of Clinical Neurosciences and Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学临床神经科学系和应用数学与理论物理系；邓迪大学科学与工程学院和医学学院） ； School of Science and Engineering and School of Medicine, University of Dundee, UK
专题命中 融合架构与评测 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出了一种可解释的多模态原型生成框架，通过整合整张滑片图像和不完整的基因组学数据，提升精准肿瘤学中的多模态整合效果。
