本研究提出了一种异构双模态注意力融合框架（HBAF），旨在解决多模态情感识别中的模态差距问题。通过引入上下文信息和动态双模态注意力，HBAF提高了音频与文本的融合效率和交互能力。实验结果表明，该方法在MELD和IEMOCAP数据集上优于现有基线。

本文提出了一种新颖的深度感知注意力融合网络，通过特定编码器提取色彩和深度信息，并引入深度加权交叉注意力融合模块，动态调整特征图融合权重。实验结果表明，该方法在伪装物体检测中显著优于其他方法，验证了深度信息的重要性。

该文汇总多篇论文，主题为特征融合在计算机视觉与自动驾驶中的应用，涉及深度图表面法线推断、3D LiDAR语义分割、面部检测、背景减除、医学图像分割、语义边缘检测及车路协同3D目标检测，均通过多尺度或注意力融合提升精度与效率。