近期，高全伟博士在国际机器学习大会上展示了其在多模态融合目标检测与自动化神经架构设计领域的前沿研究成果，并与国内外参会同行围绕多模态融合机制、神经网络自动搜索等核心方向开展了富有成效的学术交流与探讨。国际机器学习大会（简称ICML）是全球机器学习领域最具权威性与影响力的顶级国际学术会议之一，与NeurIPS、ICLR并称为机器学习领域 “三大顶会”，同时也是中国计算机学会（CCF）推荐的人工智能领域A类国际学术会议。

本次展示的研究成果题目为：“MFH-NAS: A Hybrid Neural Architecture Search Framework for Multimodal Fusion Object Detection”。该研究针对多模态融合目标检测任务中，骨干网络同一阶段存在显著模态鸿沟、预定义的阶段对齐融合方式难以支撑有效跨阶段交互的问题，创新性提出 MFH-NAS 混合神经架构搜索框架，可自动挖掘最优融合架构以充分释放跨模态互补性。实验结果显示，MFH-NAS 在 LLVIP、RGBT-Tiny、M3FD 等公开基准数据集上均取得一致性能优势。该研究工作得到了西北农林科技大学博士科研启动经费资助。

会议期间，高全伟博士完成了墙报（Poster）展示与现场讲解，围绕多模态模态鸿沟缓解、局部融合基元设计、跨阶段融合拓扑构建、混合神经架构搜索机制等核心技术细节，逐一回应了参会同行的深入提问，并与多模态目标检测、神经架构搜索领域的国内外学者开展了广泛且深入的学术研讨。

此次学术出访与交流圆满达成预期目标，对提升科研团队在多模态融合目标检测领域的学术研究水平、拓展国际学术合作网络具有积极而深远的意义。

论文链接：https://icml.cc/virtual/2026/poster/65272