ScholarGate
সহকারী

পদ্ধতির তুলনা করুন

নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।

মাল্টিমোডাল অবজেক্ট ডিটেকশন×মাল্টিমোডাল ট্রান্সফর্মার×
ক্ষেত্রগভীর শিখনগভীর শিখন
পরিবারMachine learningMachine learning
উদ্ভবের বছর2015–20192019–2021
প্রবর্তকMultiple contributors (e.g., Chen & Deng, Liang et al.)Lu et al. (ViLBERT); Radford et al. (CLIP)
ধরনFusion-based deep detectionCross-modal attention-based deep learning model
মৌলিক উৎসLiu, Y., Zhang, F., Li, Y., & Lv, H. (2022). Multimodal Object Detection via Bayesian Fusion. IEEE Transactions on Image Processing, 31, 5953–5965. link ↗Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
অপর নামmulti-sensor object detection, cross-modal detection, RGB-D object detection, fusion-based object detectionmultimodal attention model, cross-modal transformer, vision-language transformer, multi-modal fusion transformer
সম্পর্কিত65
সারসংক্ষেপMultimodal object detection extends single-modality object detectors by jointly processing signals from multiple sensor types — such as RGB cameras, depth sensors, LiDAR, radar, or text descriptions — to localize and classify objects with higher accuracy and robustness than any single modality alone. Fusion of complementary information is the core design principle.A Multimodal Transformer extends the standard Transformer architecture to process and jointly reason over two or more input modalities — most commonly text and images, but also audio, video, or structured data. Cross-modal attention layers allow information from one modality to inform representations in another, enabling tasks such as visual question answering, image captioning, and multimodal sentiment analysis.
ScholarGateডেটাসেট
  1. v1
  2. 2 উৎস
  3. PUBLISHED
  1. v1
  2. 2 উৎস
  3. PUBLISHED

অনুসন্ধানে যান স্লাইড ডাউনলোড করুন

ScholarGateপদ্ধতির তুলনা করুন: Multimodal Object Detection · Multimodal Transformer. 2026-06-17 তারিখে সংগৃহীত, উৎস: https://scholargate.app/bn/compare