Large-Scale Multimodal Learning: Universality, Robustness, Efficiency, and Beyond
TPAMI Special Issue
CALL FOR PAPERS
主旨
近年来，由于互联网的高速发展和各种智能设备的涌现，通过互联网传输的多模态数据日益增多，因此出现了越来越多的多模态应用场景，包括商业服务(如电子商务/商品检索、视觉和语言导航)、通信(如唇读、手语翻译)、人机交互、智慧医疗、智能安防等。特别地，在深度学习时代，深度神经网络极大地促进了多模态学习的发展。
本期特刊的目标是汇集来自多个学科(如:计算机视觉、自然语言处理、机器学习、深度学习、智慧医疗、生物信息学、认知科学)的观点，提出重要的科学问题，并发现研究机会，以应对深度学习和大数据时代多模态学习领域的突出挑战。
客座编辑
征稿信息
范围与主题包括但不限于：
-通用多模态学习
-鲁棒的多模态学习
-高效的多模态学习，如模型压缩，快速检索
-大规模的多模态预训练
-自监督/非监督/弱监督多模态学习
-多模态表示学习
-多模态迁移学习
-多模态度量学习
-多模态生成
-多模态数据集和评价指标
-多模态应用，如机器人、AR/VR、艺术/工业设计、医疗保健、商业和教育。
重要时间节点
提交截止日期：2023年3月1日
审稿意见通知日期：2023年6月1日
修订截止日期：2023年8月1日
结果通知日期：2023年9月1日
出版日期（预计）: 2023年10月1日
本期特刊的审稿过程将依照TPAMI的标准审稿程序进行。本期特刊将对实验结果的可复现性提出要求，论文被接收后，作者将被要求发布源代码，并提供必要的实验细节。投稿前，请阅读《TPAMI作者须知》（https://www.computer.org/web/tpami/author）。
投稿网址：
https://mc.manuscriptcentral.com/tpami-cs
特刊网页网址http://www.pengxu.net/cfp.html
