Fugu-MT 論文翻訳(概要): LoRA-Based Cascaded Multimodal Fusion for Action Recognition in Medical Training Environments

論文の概要: LoRA-Based Cascaded Multimodal Fusion for Action Recognition in Medical Training Environments

arxiv url: http://arxiv.org/abs/2607.11839v1
Date: Mon, 13 Jul 2026 17:27:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.568432
Title: LoRA-Based Cascaded Multimodal Fusion for Action Recognition in Medical Training Environments
Title（参考訳）: LoRAを用いたマルチモーダル核融合による医療訓練環境における行動認識
Abstract要約: 本稿では,行動認識のためのローランド適応(LoRA)に基づくマルチモーダル融合フレームワークを提案する。我々は、NurViDとNurse Trainingデータセットの2つのヘルスケア指向トレーニング環境データセットに関するフレームワークを評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a cascaded Low-Rank Adaptation (LoRA)-based multimodal fusion framework for action and activity recognition in healthcare-oriented training environments. The proposed architecture combines parameter-efficient modality-specific adaptation with sequential fusion, enabling modalities to be integrated in stages without retraining previously learned components. Rather than assuming a fixed fusion structure, the framework first integrates more closely related modalities and then incorporates additional heterogeneous modalities, supporting scalable adaptation across datasets with different modality sets.We evaluate the framework on two healthcare-oriented training environment datasets: NurViD and the Nurse Training dataset. Across these datasets, preliminary results suggest that the proposed cascaded fusion strategy improves over individual modality models and provides competitive performance relative to previously reported dataset-specific baselines. Overall, these findings indicate that cascaded LoRA-based fusion is a promising parameter-efficient approach for integrating heterogeneous modalities in medical training action and activity recognition tasks. github: https://github.com/anonymous0-ai/LoRA-Based-Cascaded-Multimodal-Fusion-.git.
Abstract（参考訳）: 本稿では,医療指向トレーニング環境における行動・活動認識のためのローランド適応(LoRA)に基づくマルチモーダル融合フレームワークを提案する。提案アーキテクチャでは,パラメータ効率のよいモダリティ特異的適応と逐次融合を組み合わせることで,事前学習したコンポーネントを再学習することなく,段階的にモダリティを組み込むことができる。固定的な融合構造を仮定する代わりに、フレームワークはまずより密接な関係のあるモダリティを統合し、さらに異種なモダリティを取り入れ、異なるモダリティセットを持つデータセット間のスケーラブルな適応をサポートします。これらのデータセット全体にわたって、予備的な結果は、提案されたカスケード融合戦略が個々のモダリティモデルよりも改善され、以前に報告されたデータセット固有のベースラインと比較して競合性能が提供されることを示唆している。以上の結果から,LoRAをベースとした核融合は,医療訓練行動や活動認識タスクにおける不均一なモダリティを統合する上で,有望なパラメータ効率のアプローチであることが示唆された。 https://github.com/anonymous0-ai/LoRA-based-Cascaded-Multimodal-Fusion- git

関連論文リスト

Attention-Based Multimodal Survival Prediction with Cross-Modal Bilinear Fusion [1.4203297056262238]
患者レベル生存予測のための新しいディープラーニングフレームワークを提案する。全スライディング組織学の特徴、RNA-seq発現プロファイル、臨床変数を統合している。我々のアーキテクチャは、スライドレベルの表現のためのAMMILモジュールciteilse2018アテンションと、RNAおよび臨床データのためのフィードフォワードエンコーダを組み合わせたものである。
論文参考訳（メタデータ） (2026-05-12T13:09:25Z)
Resilient Vision-Tabular Multimodal Learning under Modality Missingness [1.696842238811138]
マルチモーダルディープラーニングは医療応用において大きな可能性を秘めている。既存のアプローチの多くは、完全にモダリティの可用性を暗黙的に仮定している。共同視覚・タブラリ学習のためのマルチモーダルトランスフォーマーフレームワークを提案する。
論文参考訳（メタデータ） (2026-05-12T12:14:13Z)
Group Contrastive Learning for Weakly Paired Multimodal Data [34.76498775412033]
GROOVEは、高濃度摂動データに対する半教師付きマルチモーダル表現学習手法である。 GroupCLIPは、ペア化されたクロスモーダルデータのためのCLIPと、一様教師付きコントラスト学習のためのSupConのギャップを埋める、新しいグループレベルのコントラスト損失である。
論文参考訳（メタデータ） (2026-02-03T21:11:06Z)
Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation [6.302779966909783]
医用画像セグメンテーションのための新しい半教師付きマルチモーダルフレームワークを提案する。モダリティ固有のエンハンシングモジュール(MEM)を導入し、各モダリティに意味的なユニークな手がかりを強化する。また,学習可能な相補的情報融合(CIF)モジュールを導入し,モダリティ間の相補的知識を適応的に交換する。
論文参考訳（メタデータ） (2025-12-10T16:15:17Z)
Cross-Modal Alignment via Variational Copula Modelling [54.25504956780864]
複数のモーダルから様々な情報を集約するマルチモーダル学習手法を開発することが不可欠である。既存の方法は主に連結やクロネッカー積に依存し、モジュラリティ間の相互作用構造を単純化する。そこで本研究では,様々なモーダルの連成分布の学習に焦点を当てた,コプラ駆動型マルチモーダル学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-05T05:28:28Z)
scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文参考訳（メタデータ） (2025-10-28T21:28:39Z)
UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文参考訳（メタデータ） (2025-09-19T17:29:25Z)
Deep Unrolled Meta-Learning for Multi-Coil and Multi-Modality MRI with Adaptive Optimization [0.0]
核磁気共鳴イメージング(MRI)のための統合型深層メタラーニングフレームワークを提案する。マルチコイル再構成とクロスモダリティ合成を共同で行う。その結果,従来の教師あり学習よりもPSNRが大幅に向上した。
論文参考訳（メタデータ） (2025-05-08T04:47:12Z)
Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
論文参考訳（メタデータ） (2024-03-15T17:23:38Z)
Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-06-15T17:55:05Z)
Pose And Joint-Aware Action Recognition [87.4780883700755]
本稿では,まず,共有動作エンコーダを用いて各関節の動作特徴を別々に抽出する,関節に基づく動作認識の新しいモデルを提案する。私たちのジョイントセレクタモジュールは、そのタスクの最も識別性の高いジョイントを選択するために、ジョイント情報を再重み付けします。 JHMDB, HMDB, Charades, AVA アクション認識データセットにおける最先端のジョイントベースアプローチに対する大きな改善点を示す。
論文参考訳（メタデータ） (2020-10-16T04:43:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。