当前位置：首页 > article >正文

论文风向变了！迁移学习+多模态融合才是王道！性能爆炸好

article 2025/3/13 21:50:07

多模态如今是越来越火了，与之相关的研究方向在各大顶会基本都成了投稿热门，趁着这波风向，我也给想发论文但找不着idea的同学推荐一个创新思路：迁移学习+多模态融合。

这种结合可以轻松搞定提高性能这一核心问题，通过将源领域学习到的多模态知识迁移到目标领域，就可以快速适应目标领域的任务需求。

不仅如此，这种在不同模态之间实现更有效知识传递和信息融合的能力，也能提高模型在新任务上的准确率。比如胸部X光模型MultiFusionNet，在两类分类中取得了99.6％的高准确率。

为了让大家更好的掌握这个创新思路，然后运用到自己的文章中，今天我就来分享10种迁移学习+多模态融合创新方法，都是今年最新，代码基本都有。

论文原文+开源代码需要的同学看文末

MultiFusionNet: multilayer multimodal fusion of deep neural networks for chest X-ray image classification

方法：论文提出了一种结合了迁移学习和多模态融合的方法，用于胸部X光图像分类。该方法强调从不同层次提取特征并将它们融合，考虑了每一层捕获的区分性信息，并提出了一种不同尺寸特征图融合模块，以有效地合并来自不同层的特征图。MultiFusionNet在三类和两类分类中分别取得了97.21％和99.60％的显著较高准确率。

创新点：

提出了一种新颖的深度学习模型，即多层多模态融合模型，用于增强肺部疾病的分类准确性。
设计了一个独立的特征图转换模块，用于解决在多个层次生成的特征图具有不同大小的问题。
提供了一个更大的数据集（Cov-Pneum），用于X射线图像，通过处理和合并多个公开可用的数据集，并在该数据集上评估了多个最新研究模型的性能。

A Multimodal Transfer Learning Approach Using PubMedCLIP for Medical Image Classification

方法：论文提出了一种新的医学图像分类的迁移学习方法，通过结合预训练的PubMedCLIP模型和多模态特征融合，提出了一个多模态学习框架，通过将图片和文本输入进行特征融合，提高了图像分类的准确性，并降低了标注成本。实验证明该方法在不同医学图像数据集上实现了准确率超过90%的优异性能。

创新点：

提出了一种有效利用图像标签进行模型训练的方法，通过将文本提示与图像内容相连接，以提高性能。
通过逐渐增加提示模板中的上下文信息来改进模型的性能。
提出了一种新的特征融合方法，以进一步提高模型的性能。

MoPE: Parameter-Efficient and Scalable Multimodal Fusion via Mixture of Prompt Experts

方法：论文提出了一种新的多模态融合方法，用于提高迁移学习的参数效率和可扩展性。MoPE技术通过混合专家提示的方式，实现了对不同模态数据的有效融合，且在只需要大约0.8%的可训练参数的情况下，就实现了与全参数微调相匹配或更优的性能。

创新点：

通过将传统prompt拆分为静态和动态prompt以及映射prompt的方式，提出了一种条件prompt调整的方法，以实现自适应的prompt调整。
基于MoPE的设计，通过使用多个prompt专家和一个路由器来增加prompt调整的表达力。这种方法在多模态融合中表现出更高的表达力，并且在数据和可训练参数数量增加时具有更好的扩展性。