摘要

人类通过同时处理并融合来自视觉、听觉等多种模态的高维输入来感知世界。相比之下，现有的机器感知模型通常具有模态专属性，且针对单模态基准进行优化，因此在多模态视频分类任务中，仍以在模型后期将各模态的最终表征或预测结果进行融合（即“晚期融合”）为主要范式。本文提出一种基于Transformer的新型架构，通过在多个网络层级引入“融合瓶颈”（fusion bottlenecks）实现多模态信息的融合。与传统的成对自注意力机制不同，该模型强制不同模态间的信息必须通过少量瓶颈隐变量进行传递，从而迫使模型在每种模态中提炼并压缩最相关的信息，仅共享必要的内容。我们发现，这种策略不仅提升了融合性能，同时显著降低了计算开销。通过全面的消融实验验证，该方法在多个音视频分类基准数据集（包括Audioset、Epic-Kitchens和VGGSound）上均取得了当前最优的性能表现。相关代码与模型将全部开源。