Buchumschlag

Mixture-of-Modality-Experts with Holistic Token Learning for Fine-Grained Multimodal Visual Analytics in Driver Action Recognition

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Tianyi, Li, Yiming, Wang, Wenqian, Wang, Jiaojiao, Cai, Chen, Wang, Yi, Yap, Kim-Hui
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MultiFuser: Multimodal Fusion Transformer for Enhanced Driver Action Recognition
von: Wang, Ruoyu, et al.
Veröffentlicht: (2024)

CM2-Net: Continual Cross-Modal Mapping Network for Driver Action Recognition
von: Wang, Ruoyu, et al.
Veröffentlicht: (2024)

DAOS: A Multimodal In-cabin Behavior Monitoring with Driver Action-Object Synergy Dataset
von: Li, Yiming, et al.
Veröffentlicht: (2026)

Open World Object Detection: A Survey
von: Li, Yiming, et al.
Veröffentlicht: (2024)

Rethinking Efficient Mixture-of-Experts for Remote Sensing Modality-Missing Classification
von: Gao, Qinghao, et al.
Veröffentlicht: (2025)

SPMTrack: Spatio-Temporal Parameter-Efficient Fine-Tuning with Mixture of Experts for Scalable Visual Tracking
von: Cai, Wenrui, et al.
Veröffentlicht: (2025)

LEO-MINI: An Efficient Multimodal Large Language Model using Conditional Token Reduction and Mixture of Multi-Modal Experts
von: Wang, Yimu, et al.
Veröffentlicht: (2025)

Advancing Fine-Grained Visual Understanding with Multi-Scale Alignment in Multi-Modal Models
von: Wang, Wei, et al.
Veröffentlicht: (2024)

Towards Blind Bitstream-corrupted Video Recovery via a Visual Foundation Model-driven Framework
von: Liu, Tianyi, et al.
Veröffentlicht: (2025)

MCMoE: Completing Missing Modalities with Mixture of Experts for Incomplete Multimodal Action Quality Assessment
von: Xu, Huangbiao, et al.
Veröffentlicht: (2025)

ByteNet: Rethinking Multimedia File Fragment Classification through Visual Perspectives
von: Liu, Wenyang, et al.
Veröffentlicht: (2024)

Multi-Task Dense Prediction Fine-Tuning with Mixture of Fine-Grained Experts
von: Xu, Yangyang, et al.
Veröffentlicht: (2025)

Mixture of Nested Experts: Adaptive Processing of Visual Tokens
von: Jain, Gagan, et al.
Veröffentlicht: (2024)

Hallucination at a Glance: Controlled Visual Edits and Fine-Grained Multimodal Learning
von: Bai, Tianyi, et al.
Veröffentlicht: (2025)

Fine-Grained Generalization via Structuralizing Concept and Feature Space into Commonality, Specificity and Confounding
von: Wang, Zhen, et al.
Veröffentlicht: (2026)

Unified Multimodal Visual Tracking with Dual Mixture-of-Experts
von: Hong, Lingyi, et al.
Veröffentlicht: (2026)

On Learning Discriminative Features from Synthesized Data for Self-Supervised Fine-Grained Visual Recognition
von: Wang, Zihu, et al.
Veröffentlicht: (2024)

Leveraging Visual Tokens for Extended Text Contexts in Multi-Modal Learning
von: Wang, Alex Jinpeng, et al.
Veröffentlicht: (2024)

MoME: Mixture of Matryoshka Experts for Audio-Visual Speech Recognition
von: Cappellazzo, Umberto, et al.
Veröffentlicht: (2025)

Fine-Grained Side Information Guided Dual-Prompts for Zero-Shot Skeleton Action Recognition
von: Chen, Yang, et al.
Veröffentlicht: (2024)

Efficient Vocabulary-Free Fine-Grained Visual Recognition in the Age of Multimodal LLMs
von: Kuchibhotla, Hari Chandana, et al.
Veröffentlicht: (2025)

TDS-CLIP: Temporal Difference Side Network for Efficient VideoAction Recognition
von: Wang, Bin, et al.
Veröffentlicht: (2024)

Body-Hand Modality Expertized Networks with Cross-attention for Fine-grained Skeleton Action Recognition
von: Cho, Seungyeon, et al.
Veröffentlicht: (2025)

Token Activation Map to Visually Explain Multimodal LLMs
von: Li, Yi, et al.
Veröffentlicht: (2025)

MoTE: Mixture of Ternary Experts for Memory-efficient Large Multimodal Models
von: Wang, Hongyu, et al.
Veröffentlicht: (2025)

Sparse-Dense Mixture of Experts Adapter for Multi-Modal Tracking
von: Zhu, Yabin, et al.
Veröffentlicht: (2026)

Top-Down Framework for Weakly-supervised Grounded Image Captioning
von: Cai, Chen, et al.
Veröffentlicht: (2023)

Towards an Effective Action-Region Tracking Framework for Fine-grained Video Action Recognition
von: Sun, Baoli, et al.
Veröffentlicht: (2025)

MoIIE: Mixture of Intra- and Inter-Modality Experts for Large Vision Language Models
von: Wang, Dianyi, et al.
Veröffentlicht: (2025)

SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition
von: Cai, Qing, et al.
Veröffentlicht: (2025)

Dynamic Mixture of Curriculum LoRA Experts for Continual Multimodal Instruction Tuning
von: Ge, Chendi, et al.
Veröffentlicht: (2025)

ASPO: Adaptive Sentence-Level Preference Optimization for Fine-Grained Multimodal Reasoning
von: Wang, Yeyuan, et al.
Veröffentlicht: (2025)

Efficient Mixture-of-Expert for Video-based Driver State and Physiological Multi-task Estimation in Conditional Autonomous Driving
von: Wang, Jiyao, et al.
Veröffentlicht: (2024)

Neural Dynamics Model of Visual Decision-Making: Learning from Human Experts
von: Su, Jie, et al.
Veröffentlicht: (2024)

Hierarchically Decoupled Mixture-of-Experts for Robust Traffic Sign Recognition in Complex Driving Scenarios
von: Wang, Mingxiao, et al.
Veröffentlicht: (2026)

FlashVLM: Text-Guided Visual Token Selection for Large Multimodal Models
von: Cai, Kaitong, et al.
Veröffentlicht: (2025)

Visual-Oriented Fine-Grained Knowledge Editing for MultiModal Large Language Models
von: Zeng, Zhen, et al.
Veröffentlicht: (2024)

Novel Class Discovery for Ultra-Fine-Grained Visual Categorization
von: Liu, Yu, et al.
Veröffentlicht: (2024)

Free-Grained Hierarchical Visual Recognition
von: Park, Seulki, et al.
Veröffentlicht: (2025)

BHaRNet: Reliability-Aware Body-Hand Modality Expertized Networks for Fine-grained Skeleton Action Recognition
von: Cho, Seungyeon, et al.
Veröffentlicht: (2026)