মাল্টিমোডাল প্রশ্ন উত্তর (Multimodal Question Answering)
মাল্টিমোডাল প্রশ্ন উত্তর (Multimodal QA) হলো এক ধরণের ডিপ-লার্নিং পদ্ধতি যা একাধিক ধরণের ডেটা (সাধারণত টেক্সট ও ছবি, তবে ভিডিও, অডিও এবং স্ট্রাকচার্ড টেবিলও হতে পারে) থেকে প্রাপ্ত তথ্যের উপর যৌথভাবে যুক্তিতর্ক করে প্রাকৃতিক ভাষার প্রশ্নের উত্তর দেয়। ২০১৫ সালে VQA বেঞ্চমার্কের মাধ্যমে এটি বিশেষভাবে পরিচিতি লাভ করে এবং তখন থেকে এটি ডকুমেন্ট বোঝা, চিকিৎসা নির্ণয়ে সহায়তা এবং এমবডেড এআই (embodied AI)-এর মতো বিস্তৃত গবেষণা ক্ষেত্রে ব্যবহৃত হচ্ছে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- 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 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/bn/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.
- BERT-ভিত্তিক শ্রেণিবিভাগগভীর শিখন↔ compare
- মাল্টিমোডাল BERT-ভিত্তিক ক্লাসিফিকেশনগভীর শিখন↔ compare
- মাল্টিমোডাল বাক্য এমবেডিংগভীর শিখন↔ compare
- মাল্টিমোডাল টেক্সট সামারাইজেশনগভীর শিখন↔ compare
- মাল্টিমোডাল ট্রান্সফর্মারগভীর শিখন↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →