効率的なオーディオ-ビジュアル音声認識のためのデュアル・コンフォーマー・インタラクション・モジュール

オーディオ信号を主要な入力とし、ビジュアル信号を補助的な入力として扱う非対称的なアーキテクチャを提案することで、オーディオ-ビジュアル音声認識の効率と性能を向上させる。