ScholarGate
সহকারী

পদ্ধতির তুলনা করুন

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

মাল্টিমোডাল প্রশ্ন উত্তর (Multimodal Question Answering)×মাল্টিমোডাল টেক্সট সামারাইজেশন×
ক্ষেত্রগভীর শিখনগভীর শিখন
পরিবারMachine learningMachine learning
উদ্ভবের বছর20152018
প্রবর্তকAntol, S. et al. (VQA team, Facebook AI Research / Virginia Tech)Zhu et al. (pioneering MSMO framework)
ধরনSupervised multimodal learningGenerative / extractive NLP with visual input
মৌলিক উৎসAntol, 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 ↗Zhu, J., Li, H., Liu, T., Zhou, Y., Zhang, J., & Zong, C. (2018). MSMO: Multimodal Summarization with Multimodal Output. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing (EMNLP), 4154–4164. link ↗
অপর নামMultimodal QA, Cross-modal question answering, Visual question answering, VQAMMS, multimodal summarization, cross-modal summarization, vision-language summarization
সম্পর্কিত55
সারসংক্ষেপMultimodal question answering (Multimodal QA) is a class of deep-learning methods that answer natural-language questions by jointly reasoning over information from multiple modalities — most commonly text and images, but also video, audio, and structured tables. Introduced prominently through the VQA benchmark in 2015, it has since expanded into a broad research area powering document understanding, medical diagnosis assistance, and embodied AI.Multimodal text summarization generates a concise textual summary by jointly processing multiple input modalities — most commonly text and images, but also video frames or audio — using deep learning models that align visual and linguistic representations. The output is a natural-language summary that captures salient content from all available modalities.
ScholarGateডেটাসেট
  1. v1
  2. 2 উৎস
  3. PUBLISHED
  1. v1
  2. 2 উৎস
  3. PUBLISHED

অনুসন্ধানে যান স্লাইড ডাউনলোড করুন

ScholarGateপদ্ধতির তুলনা করুন: Multimodal question answering · Multimodal Text Summarization. 2026-06-18 তারিখে সংগৃহীত, উৎস: https://scholargate.app/bn/compare