Tag · 1 篇
CLCR: Cross-Level Semantic Collaborative Representation for Multimodal Learning
对做视觉-语言或多模态融合的研究者,可复用其「层级化共享/私有子空间 + 可学习词元预算约束跨模态注意力」的设计,避免私有信息在融合时泄漏,并可用其层级锚点聚合思路处理视觉与文本语义尺度不同步的问题。