人は、視覚、聴覚、嗅覚、触覚など、さまざまな感覚で世界を認識しています。複数のモダリティからの情報を処理および融合することで、人工知能は私たちの周りの世界をより簡単に理解できるようになります。しかし、

• convolutional
• arXiv reaDer
• human
• transformer
• segmentation
• representation
• attention
• synthesis
• arXiv