Buchumschlag

Multimodal Foundation Model for Cross-Modal Retrieval and Activity Recognition Tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Matsuishi, Koki, Ukita, Kosuke, Okita, Tsuyoshi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multi-instance Learning as Downstream Task of Self-Supervised Learning-based Pre-trained Model
von: Matsuishi, Koki, et al.
Veröffentlicht: (2025)

Image Classification Using a Diffusion Model as a Pre-Training Model
von: Ukita, Kosuke, et al.
Veröffentlicht: (2025)

High-Performance Self-Supervised Learning by Joint Training of Flow Matching
von: Ukita, Kosuke, et al.
Veröffentlicht: (2025)

Brain Hematoma Marker Recognition Using Multitask Learning: SwinTransformer and Swin-Unet
von: Hirata, Kodai, et al.
Veröffentlicht: (2025)

COMODO: Cross-Modal Video-to-IMU Distillation for Efficient Egocentric Human Activity Recognition
von: Chen, Baiyu, et al.
Veröffentlicht: (2025)

Robust Multimodal Learning via Cross-Modal Proxy Tokens
von: Reza, Md Kaykobad, et al.
Veröffentlicht: (2025)

(Almost) Free Modality Stitching of Foundation Models
von: Singh, Jaisidh, et al.
Veröffentlicht: (2025)

Diffusion Model-based Activity Completion for AI Motion Capture from Videos
von: Huayu, Gao, et al.
Veröffentlicht: (2025)

MIND: Modality-Informed Knowledge Distillation Framework for Multimodal Clinical Prediction Tasks
von: Guerra-Manzanares, Alejandro, et al.
Veröffentlicht: (2025)

Dynamic Cross-Modal Prompt Generation for Multimodal Continual Instruction Tuning
von: Hu, Tao, et al.
Veröffentlicht: (2026)

Optimization-Free Test-Time Adaptation for Cross-Person Activity Recognition
von: Wang, Shuoyuan, et al.
Veröffentlicht: (2023)

Connect, Collapse, Corrupt: Learning Cross-Modal Tasks with Uni-Modal Data
von: Zhang, Yuhui, et al.
Veröffentlicht: (2024)

How Well Does GPT-4o Understand Vision? Evaluating Multimodal Foundation Models on Standard Computer Vision Tasks
von: Ramachandran, Rahul, et al.
Veröffentlicht: (2025)

Post-pre-training for Modality Alignment in Vision-Language Foundation Models
von: Yamaguchi, Shin'ya, et al.
Veröffentlicht: (2025)

Data Augmentation Techniques for Cross-Domain WiFi CSI-based Human Activity Recognition
von: Strohmayer, Julian, et al.
Veröffentlicht: (2024)

Diagnosing and Mitigating Modality Interference in Multimodal Large Language Models
von: Cai, Rui, et al.
Veröffentlicht: (2025)

CroMe: Multimodal Fake News Detection using Cross-Modal Tri-Transformer and Metric Learning
von: Choi, Eunjee, et al.
Veröffentlicht: (2025)

Understanding Retrieval-Augmented Task Adaptation for Vision-Language Models
von: Ming, Yifei, et al.
Veröffentlicht: (2024)

4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities
von: Bachmann, Roman, et al.
Veröffentlicht: (2024)

MORPH: PDE Foundation Models with Arbitrary Data Modality
von: Rautela, Mahindra Singh, et al.
Veröffentlicht: (2025)

Transformer-based Models to Deal with Heterogeneous Environments in Human Activity Recognition
von: EK, Sannara, et al.
Veröffentlicht: (2022)

Mars-Bench: A Benchmark for Evaluating Foundation Models for Mars Science Tasks
von: Purohit, Mirali, et al.
Veröffentlicht: (2025)

Explanation Bottleneck Models
von: Yamaguchi, Shin'ya, et al.
Veröffentlicht: (2024)

Collaborative Temporal Feature Generation via Critic-Free Reinforcement Learning for Cross-User Sensor-Based Activity Recognition
von: Ye, Xiaozhou, et al.
Veröffentlicht: (2026)

Are Deep Learning Models Robust to Partial Object Occlusion in Visual Recognition Tasks?
von: Kassaw, Kaleb, et al.
Veröffentlicht: (2024)

Thoughts on Objectives of Sparse and Hierarchical Masked Image Model
von: Miyazaki, Asahi, et al.
Veröffentlicht: (2025)

Hierarchical Network Fusion for Multi-Modal Electron Micrograph Representation Learning with Foundational Large Language Models
von: Srinivas, Sakhinana Sagar, et al.
Veröffentlicht: (2024)

Explaining and Mitigating the Modality Gap in Contrastive Multimodal Learning
von: Yaras, Can, et al.
Veröffentlicht: (2024)

Deep Multimodal Learning with Missing Modality: A Survey
von: Wu, Renjie, et al.
Veröffentlicht: (2024)

HEMM: Holistic Evaluation of Multimodal Foundation Models
von: Liang, Paul Pu, et al.
Veröffentlicht: (2024)

RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition
von: Liu, Ziyu, et al.
Veröffentlicht: (2024)

Cross-Domain Generalization Limits of Vision Foundation Models in Facial Deepfake Detection
von: Delibasoglu, Ibrahim
Veröffentlicht: (2026)

PFM-VEPAR: Prompting Foundation Models for RGB-Event Camera based Pedestrian Attribute Recognition
von: Xu, Minghe, et al.
Veröffentlicht: (2026)

Hyperdimensional Cross-Modal Alignment of Frozen Language and Image Models for Efficient Image Captioning
von: Dalvi, Abhishek, et al.
Veröffentlicht: (2026)

Hierarchical Hypercomplex Network for Multimodal Emotion Recognition
von: Lopez, Eleonora, et al.
Veröffentlicht: (2024)

Transferability-Guided Cross-Domain Cross-Task Transfer Learning
von: Tan, Yang, et al.
Veröffentlicht: (2022)

Revisit Large-Scale Image-Caption Data in Pre-training Multimodal Foundation Models
von: Lai, Zhengfeng, et al.
Veröffentlicht: (2024)

Retrieval-Augmented VLMs for Multimodal Melanoma Diagnosis
von: Moon, Jihyun, et al.
Veröffentlicht: (2025)

CLASH: A Benchmark for Cross-Modal Contradiction Detection
von: Popordanoska, Teodora, et al.
Veröffentlicht: (2025)

Detecting Informative Channels: ActionFormer
von: Zhao, Kunpeng, et al.
Veröffentlicht: (2025)