Мултимодално отговаряне на въпроси
Мултимодалното отговаряне на въпроси (Multimodal QA) е клас методи за дълбоко обучение, които отговарят на въпроси на естествен език чрез съвместно разсъждение върху информация от множество модалности — най-често текст и изображения, но също и видео, аудио и структурирани таблици. Представено за първи път с бенчмарка VQA през 2015 г., оттогава то се разшири до широка изследователска област, захранваща разбирането на документи, подпомагане на медицинската диагностика и въплътено изкуствен интелект.
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
- Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., & Parikh, D. (2015). VQA: Visual Question Answering. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2425–2433. DOI: 10.1109/ICCV.2015.279 ↗
- Xu, P., Zhu, X., & Clifton, D. A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. DOI: 10.1109/TPAMI.2023.3275156 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/bg/deep-learning/multimodal-question-answering
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.
- Класификация, базирана на BERTДълбоко обучение↔ compare
- Мултимодална класификация, базирана на BERTДълбоко обучение↔ compare
- Мултимодални изреченски вгражданияДълбоко обучение↔ compare
- Мултимодално резюмиране на текстДълбоко обучение↔ compare
- Мултимодален ТрансформерДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →