Мултимодална класификация на изображения
Мултимодалната класификация на изображения разширява стандартната визуална класификация чрез включване на допълнителни модалности — като текстови описания, аудио или структурирани метаданни — наред с визуалните характеристики. Отделни енкодери обработват всяка модалност, техните представяния се сливат и съвместен класификатор присвоява целевия етикет. Модели като CLIP демонстрират, че съгласуването на изображения и текст позволява класификация на изображения с нулев или малък брой примери (zero-shot и few-shot) в голям мащаб.
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
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139, 8748–8763. link ↗
- Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., & Ng, A. Y. (2011). Multimodal deep learning. Proceedings of the 28th International Conference on Machine Learning (ICML), 689–696. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/bg/deep-learning/multimodal-image-classification
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.
- Фина настройка на класификация на изображенияДълбоко обучение↔ compare
- Класификация на изображенияДълбоко обучение↔ compare
- Мултимодална класификация, базирана на BERTДълбоко обучение↔ compare
- Мултимодална детекция на обектиДълбоко обучение↔ compare
- Мултимодални изреченски вгражданияДълбоко обучение↔ compare
- Мултимодален ТрансформерДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →