Machine learningDeep learning / NLP / CV

মাল্টিমোডাল ভিশন ট্রান্সফরমার

মাল্টিমোডাল ভিশন ট্রান্সফরমার (Multimodal ViT) হলো ভিশন ট্রান্সফরমার আর্কিটেকচারের একটি সম্প্রসারণ, যা স্ব-মনোযোগ (self-attention) এবং ক্রস-মনোযোগ (cross-attention) প্রক্রিয়ার মাধ্যমে একাধিক মাধ্যম — সাধারণত ছবি ও লেখা — থেকে প্রাপ্ত উপস্থাপনাগুলিকে যৌথভাবে প্রক্রিয়া করে এবং সারিবদ্ধ করে। বিভিন্ন মাধ্যমের মধ্যে ভাগ করা বা সারিবদ্ধ এম্বেডিং স্পেস শেখার মাধ্যমে এটি ভিজ্যুয়াল প্রশ্ন উত্তর, ছবি-লেখা পুনরুদ্ধার, ভিজ্যুয়াল গ্রাউন্ডিং এবং ছবি ক্যাপশনিংয়ের মতো কাজগুলি 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.

+1 more

উৎস

  1. Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In International Conference on Learning Representations (ICLR). link
  2. Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. In Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139. link

এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন

ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/bn/deep-learning/multimodal-vision-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

ScholarGateMultimodal Vision Transformer (Multimodal Vision Transformer (Multimodal ViT)). 2026-06-15 তারিখে সংগৃহীত, উৎস: https://scholargate.app/bn/deep-learning/multimodal-vision-transformer · ডেটাসেট: https://doi.org/10.5281/zenodo.20539026