MMDF2018研讨会报告
摘要：对于从各种模态中收集和处理更大容量、更高真实度的实时数据，最新智能、微型化和批量生产的传感器、网络化系统以及高速数据通信和计算技术的突破给予了越来越多的机会。然而，尽管自上世纪90年代末以来已经开展了相关研究，但至今仍没有出现标准化、可推广的解决方案，能够有效地集成和处理多模态数据，因此各个学科的实践者仍然必须按照试错法来确定每个特定应用和数据源的最佳操作流程。对于现有多模态数据融合方法在数据和挑战特征方面效用、能力（以及不足和挑战）的更深刻理解，有可能提供更好的数据分析工具，从而在所有领域实现更高效、更有效的自动化制造、患者护理、基础设施维护、环境认知、交通网络、能源系统等。因此，迫切需要确定可用于事先确定对于任何特定数据集或应用的哪些技术最有用的基本模式。只有通过高度跨学科的聚合学习，才能实现这一理解和发现的下一个阶段（即通用解决方案的开发），而这个研讨会在机遇时期提出，因为许多领域已经开始在各种应用特定的背景下探索使用多模态数据融合技术。
作者：Chun-An Chou, Xiaoning Jin, Amy Mueller, and Sarah Ostadabbas
论文ID：1808.10721
分类：Other Computer Science
分类简称：cs.OH
提交时间：2018-09-03