Многоезичен Вижън Трансформер
Многоезичният Вижън Трансформер (Multilingual ViT) разширява архитектурата на Вижън Трансформер, за да работи на множество езици, позволявайки разбиране на изображения и разсъждение между изображения и текст в многоезични или междуезикови настройки. Той комбинира кодиране на изображения чрез кръпки с многоезични текстови представяния, позволявайки на един модел да обслужва различни езикови общности за задачи като генериране на описания на изображения, визуални въпроси и отговори, и междуезично извличане на изображения.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR 2021). link ↗
- Bugliarello, E., Liu, F., Pfeiffer, J., Reddy, S., Elliott, D., Erdem, E., Erdem, A., & Lukasiewicz, T. (2022). IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages. International Conference on Machine Learning (ICML 2022). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/bg/deep-learning/multilingual-vision-transformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Многоезикова класификация, базирана на RoBERTaДълбоко обучение↔ compare
- Многоезикови векторни представяния на изреченияДълбоко обучение↔ compare
- Мултимодален Вижън ТрансформърДълбоко обучение↔ compare
- Vision TransformerДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →