论文风向变了！迁移学习+多模态融合才是王道！性能爆炸好

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。