यह शोधपत्र जटिल दृश्यों में विभाजन सटीकता में सुधार के लिए बहुविध अर्थ विभाजन की पड़ताल करता है। मौजूदा विधियाँ विशिष्ट मॉडलिटीज़ के अनुरूप फ़ीचर फ़्यूज़न मॉड्यूल का उपयोग करती हैं, जिससे इनपुट लचीलापन सीमित होता है और प्रशिक्षण मापदंडों की संख्या बढ़ जाती है। इस समस्या के समाधान के लिए, हम StitchFusion का प्रस्ताव करते हैं, जो एक सरल किन्तु प्रभावी मॉडल फ़्यूज़न ढाँचा है जो बड़े पैमाने के पूर्व-प्रशिक्षित मॉडलों को सीधे एनकोडर और फ़ीचर फ़्यूज़न में एकीकृत करता है। यह दृष्टिकोण व्यापक बहुविध और बहुस्तरीय फ़ीचर फ़्यूज़न को सक्षम बनाता है जो सभी दृश्य मॉडल इनपुट को समायोजित करता है। StitchFusion एन्कोडिंग के दौरान बहुविध दृश्य जानकारी साझा करके मॉडल एकीकरण प्राप्त करता है। मॉडलिटीज़ के बीच सूचना विनिमय को बेहतर बनाने के लिए, यह एन्कोडिंग के दौरान क्रॉस-मॉडल सूचना हस्तांतरण को सक्षम करने के लिए एक बहुदिशात्मक एडाप्टर मॉड्यूल (MultiAdapter) प्रस्तुत करता है। पूर्व-प्रशिक्षित एनकोडरों के बीच बहुस्तरीय जानकारी प्रसारित करने के लिए MultiAdapter का लाभ उठाकर, एन्कोडिंग के दौरान बहुविध दृश्य सूचना एकीकरण प्राप्त किया जाता है। प्रायोगिक परिणाम दर्शाते हैं कि प्रस्तावित मॉडल चार मल्टीमॉडल सेगमेंटेशन डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करता है और अतिरिक्त मापदंडों की आवश्यकता को न्यूनतम करता है। इसके अतिरिक्त, मौजूदा फ़ीचर फ़्यूज़न मॉड्यूल (FFM) और मल्टीएडेप्टर का प्रायोगिक एकीकरण उनके पूरक गुणों को प्रदर्शित करता है।
