Machine learningDeep learning / NLP / CV

মাল্টিমোডাল ট্রান্সফর্মার

একটি মাল্টিমোডাল ট্রান্সফর্মার (Multimodal Transformer) স্ট্যান্ডার্ড ট্রান্সফর্মার আর্কিটেকচারকে প্রসারিত করে দুটি বা ততোধিক ইনপুট মোডালিটি—সাধারণত টেক্সট এবং ছবি, তবে অডিও, ভিডিও বা স্ট্রাকচার্ড ডেটাও হতে পারে—প্রসেস করতে এবং সেগুলোর উপর যৌথভাবে যুক্তি প্রয়োগ করতে। ক্রস-মোডাল অ্যাটেনশন লেয়ারগুলো এক মোডালিটির তথ্য অন্য মোডালিটির রিপ্রেজেন্টেশনে প্রভাব ফেলতে দেয়, যা ভিজ্যুয়াল কোয়েশ্চেন আনসারিং (visual question answering), ইমেজ ক্যাপশনিং (image captioning) এবং মাল্টিমোডাল সেন্টিমেন্ট অ্যানালাইসিস (multimodal sentiment analysis)-এর মতো কাজগুলো সক্ষম করে।

MethodMind-এ খুলুনশীঘ্রইভিডিওশীঘ্রইDownload slides

পুরো পদ্ধতিটি পড়ুন

শুধু সদস্যদের জন্য

এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।

সাইন ইন করুন

Method map

The neighbourhood of related methods — select a node to explore.

+15 more

উৎস

  1. 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
  2. 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. link

এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন

ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/bn/deep-learning/multimodal-transformer

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.

Compare side by side

যেখানে উদ্ধৃত

ব্যাখ্যাযোগ্য ট্রান্সফরমার (Explainable Transformer)মাল্টিমোডাল কনভোল্যুশনাল নিউরাল নেটওয়ার্কমাল্টিমোডাল ডিফিউশন মডেলমাল্টিমোডাল ডকটুভেক (Multimodal Doc2Vec)মাল্টিমোডাল GANমাল্টিমোডাল গ্রাফ নিউরাল নেটওয়ার্কমাল্টিমোডাল জিআরইউবহুমodal চিত্র শ্রেণীবিভাগমাল্টিমোডাল এলডিএ টপিক মডেলমাল্টিমোডাল এলএসটিএম (Multimodal LSTM)মাল্টিমোডাল মাল্টিলেয়ার পারসেপট্রনমাল্টিমোডাল নেমড এনটিটি রিকগনিশনমাল্টিমোডাল অবজেক্ট ডিটেকশনমাল্টিমোডাল প্রশ্ন উত্তর (Multimodal Question Answering)Multimodal Recurrent Neural Networkমাল্টিমোডাল রিইনফোর্সমেন্ট লার্নিংমাল্টিমোডাল RoBERTa-ভিত্তিক শ্রেণিবিন্যাসমাল্টিমোডাল টেক্সট সামারাইজেশনমাল্টিমোডাল টপিক মডেলিংমাল্টিমোডাল ওয়ার্ড২ভেক
ScholarGateMultimodal Transformer (Multimodal Transformer (Cross-Modal Attention-Based Architecture)). 2026-06-15 তারিখে সংগৃহীত, উৎস: https://scholargate.app/bn/deep-learning/multimodal-transformer · ডেটাসেট: https://doi.org/10.5281/zenodo.20539026