CM2-Net: 司机动作识别的持续跨模态映射网络

提出了一种 Modality Compensation Network（MCN），用于 RGB-D 摄像机采集的视频中的人类动作识别，优于现有最佳方法。

Modality Mixer (M-Mixer) 网络有效整合不同模态的互补信息和时间上下文，测试结果显示其优于最先进的方法。

CMC-CMKM 多模态自监督学习框架在不同场景下的性能显著优于单模态和多模态基线，甚至与监督方法竞争。

提出了一种基于互相学习的小型学生网络集成和交叉模态知识蒸馏的方法，适应于识别 3D 人体姿势序列。

MEACI-Net 框架通过加入多个模块实现模态间的交互作用和特征增强，提高了识别准确率和计算效率。

CMDFusion 网络通过交叉模态知识蒸馏增强 3D 特征，在多个数据集上表现出最佳性能。

基于 2D CNN 的动作识别方法 (CMR) 引入了动态信息增强模块，提高了识别准确率。

CMX 跨模态融合框架可推广到不同感知模态，实现最新技术性能。

深度自编码器共享特定特征分解网络结合特征结构，获得更好的分类性能。