:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cong, Kaixuan, Wang, Yifan, Xue, Rongkun, Jiang, Yuyang, Feng, Yiming, Yang, Jing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2507.09323
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cs2K: Class-specific and Class-shared Knowledge Guidance for Incremental Semantic Segmentation
von: Cong, Wei, et al.
Veröffentlicht: (2024)

Inconsistency-Aware Cross-Attention for Audio-Visual Fusion in Dimensional Emotion Recognition
von: Rajasekhar, G, et al.
Veröffentlicht: (2024)

RFPPO: Motion Dynamic RRT based Fluid Field - PPO for Dynamic TF/TA Routing Planning
von: Xue, Rongkun, et al.
Veröffentlicht: (2024)

Detail-Enhanced Intra- and Inter-modal Interaction for Audio-Visual Emotion Recognition
von: Shi, Tong, et al.
Veröffentlicht: (2024)

FusionBERT: Multi-View Image-3D Retrieval via Cross-Attention Visual Fusion and Normal-Aware 3D Encoder
von: Li, Wei, et al.
Veröffentlicht: (2026)

Hierarchical Augmentation and Distillation for Class Incremental Audio-Visual Video Recognition
von: Zuo, Yukun, et al.
Veröffentlicht: (2024)

When Eyes and Ears Disagree: Can MLLMs Discern Audio-Visual Confusion?
von: Ye, Qilang, et al.
Veröffentlicht: (2025)

Contrastive Learning for Multimodal Human Activity Recognition with Limited Labeled Data
von: Jing, Long, et al.
Veröffentlicht: (2026)

Pretrained Reversible Generation as Unsupervised Visual Representation Learning
von: Xue, Rongkun, et al.
Veröffentlicht: (2024)

InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions
von: Wang, Zhenzhi, et al.
Veröffentlicht: (2025)

ConfusionBench: An Expert-Validated Benchmark for Confusion Recognition and Localization in Educational Videos
von: Dong, Lu, et al.
Veröffentlicht: (2026)

Context-Aware Aerial Object Detection: Leveraging Inter-Object and Background Relationships
von: Ren, Botao, et al.
Veröffentlicht: (2024)

Vision Language Models for Dynamic Human Activity Recognition in Healthcare Settings
von: Abid, Abderrazek, et al.
Veröffentlicht: (2025)

eMotions: A Large-Scale Dataset and Audio-Visual Fusion Network for Emotion Analysis in Short-form Videos
von: Wu, Xuecheng, et al.
Veröffentlicht: (2025)

Dynamic Attention and Bi-directional Fusion for Safety Helmet Wearing Detection
von: Feng, Junwei, et al.
Veröffentlicht: (2024)

DTFSal: Audio-Visual Dynamic Token Fusion for Video Saliency Prediction
von: Hooshanfar, Kiana, et al.
Veröffentlicht: (2025)

Understanding Open-Set Recognition by Jacobian Norm and Inter-Class Separation
von: Park, Jaewoo, et al.
Veröffentlicht: (2022)

Noise-Tolerant Learning for Audio-Visual Action Recognition
von: Han, Haochen, et al.
Veröffentlicht: (2022)

Dynamic Multi-Target Fusion for Efficient Audio-Visual Navigation
von: Yu, Yinfeng, et al.
Veröffentlicht: (2025)

Evaluating Attribute Confusion in Fashion Text-to-Image Generation
von: Liu, Ziyue, et al.
Veröffentlicht: (2025)

Cross Attentional Audio-Visual Fusion for Dimensional Emotion Recognition
von: Praveen, R. Gnana, et al.
Veröffentlicht: (2021)

The Comparability of Model Fusion to Measured Data in Confuser Rejection
von: Flynn, Conor, et al.
Veröffentlicht: (2025)

DyCAF-Net: Dynamic Class-Aware Fusion Network
von: Jahin, Md Abrar, et al.
Veröffentlicht: (2025)

Fusion to Enhance: Fusion Visual Encoder to Enhance Multimodal Language Model
von: She, Yifei, et al.
Veröffentlicht: (2025)

SpongeBob: Sync-Aware Harmonious Audio-Visual Generative Editing
von: Liang, Sen, et al.
Veröffentlicht: (2026)

Confidence-driven Gradient Modulation for Multimodal Human Activity Recognition: A Dynamic Contrastive Dual-Path Learning Approach
von: Ji, Panpan, et al.
Veröffentlicht: (2025)

Efficient Audio-Visual Fusion for Video Classification
von: Awan, Mahrukh, et al.
Veröffentlicht: (2024)

Universal Incremental Learning: Mitigating Confusion from Inter- and Intra-task Distribution Randomness
von: Luo, Sheng, et al.
Veröffentlicht: (2025)

ESG-Net: Event-Aware Semantic Guided Network for Dense Audio-Visual Event Localization
von: Li, Huilai, et al.
Veröffentlicht: (2025)

CLASP: Class-Adaptive Layer Fusion and Dual-Stage Pruning for Multimodal Large Language Models
von: Dang, Yunkai, et al.
Veröffentlicht: (2026)

WiFi based Human Fall and Activity Recognition using Transformer based Encoder Decoder and Graph Neural Networks
von: Cho, Younggeol, et al.
Veröffentlicht: (2025)

Triple Spectral Fusion for Sensor-based Human Activity Recognition
von: Zhang, Ye, et al.
Veröffentlicht: (2026)

AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning
von: Qiu, Di, et al.
Veröffentlicht: (2024)

Class-Aware Mask-Guided Feature Refinement for Scene Text Recognition
von: Yang, Mingkun, et al.
Veröffentlicht: (2024)

IDSelect: A RL-Based Cost-Aware Selection Agent for Video-based Multi-Modal Person Recognition
von: Ji, Yuyang, et al.
Veröffentlicht: (2026)

InterMamba: Efficient Human-Human Interaction Generation with Adaptive Spatio-Temporal Mamba
von: Wu, Zizhao, et al.
Veröffentlicht: (2025)

Attend-Fusion: Efficient Audio-Visual Fusion for Video Classification
von: Awan, Mahrukh, et al.
Veröffentlicht: (2024)

Visual Confused Deputy: Exploiting and Defending Perception Failures in Computer-Using Agents
von: Liu, Xunzhuo, et al.
Veröffentlicht: (2026)

Uni-Encoder Meets Multi-Encoders: Representation Before Fusion for Brain Tumor Segmentation with Missing Modalities
von: Song, Peibo, et al.
Veröffentlicht: (2026)

DisCo: Towards Distinct and Coherent Visual Encapsulation in Video MLLMs
von: Zhao, Jiahe, et al.
Veröffentlicht: (2025)