MMTM：用于CNN融合的多模态迁移模块

在晚期融合（late fusion）方法中，各模态分别通过独立的单模态卷积神经网络（CNN）流进行处理，最终在输出阶段对各模态的得分进行融合。由于其结构简单，晚期融合至今仍是众多前沿多模态应用中的主流方法。本文提出一种简单的神经网络模块，用于在卷积神经网络中有效利用多模态知识。该模块名为多模态迁移模块（Multimodal Transfer Module, MMTM），可灵活嵌入特征层次的不同层级，实现渐进式的模态融合。MMTM通过压缩（squeeze）与激励（excitation）操作，利用多模态之间的互补信息，对每个CNN流中的通道级特征进行重新校准。与现有的中间融合方法相比，所提模块可适用于具有不同空间维度的卷积层中的特征模态融合。此外，该方法的另一优势在于，其可几乎不改变原有单模态分支网络结构地进行添加，从而允许各分支使用已有的预训练权重进行初始化。实验结果表明，所提出的框架显著提升了知名多模态网络的识别准确率。在涵盖动态手势识别、语音增强以及基于RGB图像与骨骼关节点的动作识别等任务的四个数据集上，本方法均取得了当前最优或具有竞争力的性能表现。