Multimodální odpovídání na otázky
Multimodální odpovídání na otázky (Multimodal QA) je třída metod hlubokého učení, které odpovídají na otázky v přirozeném jazyce společným uvažováním nad informacemi z více modalit – nejčastěji textu a obrazů, ale také videa, zvuku a strukturovaných tabulek. Tato oblast, která se výrazně prosadila díky benchmarku VQA v roce 2015, se od té doby rozšířila do široké výzkumné oblasti pohánějící porozumění dokumentům, asistenci při lékařské diagnostice a vtělenou umělou inteligenci.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Víceúčelová klasifikace založená na BERTHluboké učení↔ compare
- Vícemodální vnoření vět (Multimodal Sentence Embeddings)Hluboké učení↔ compare
- Multimodální sumarizace textuHluboké učení↔ compare
- Multimodální TransformerHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →