算力省六成
将多模态传感数据统一成图像格式，用单一编码器替代多分支结构，在标签稀缺时仍提升识别精度。
Qi-Sen, Hong · Lu, Chinghu
IEEE Internet of Things Journal 2025
对比学习中错误标记的负样本会干扰特征学习，CFL-NSP通过负集剪枝剔除这些假阴性，使准确率额外提升4.10个百分点。
Li-MFIE把加速度计、陀螺仪、骨架数据统一成图像格式，只需一个编码器处理所有模态，省去为每个模态单独设计网络。
统一图像格式后模型训练更快，从105秒降到84秒，模型更新成本更低。
只标5%的数据就达到58.86%准确率，减少标注成本，适合数据量大但标注困难的场景。