Vícemodální vnoření vět (Multimodal Sentence Embeddings)
Vícemodální vnoření vět mapují text a obrázky (a někdy zvuk nebo video) do sdíleného spojitého vektorového prostoru tak, aby se sémanticky související páry z různých modalit ocitly blízko sebe. Tyto reprezentace, trénované pomocí kontrastivních cílů na velkých párových korpusech, pohánějí křížově-modální vyhledávání, klasifikaci v režimu zero-shot a uvažování v oblasti zraku a jazyka.
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
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. In Proceedings of the 38th International Conference on Machine Learning (ICML), pp. 8748–8763. PMLR. link ↗
- Frome, A., Corrado, G. S., Shlens, J., Bengio, S., Dean, J., Ranzato, M., & Mikolov, T. (2013). DeViSE: A deep visual-semantic embedding model. In Advances in Neural Information Processing Systems (NeurIPS), Vol. 26. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/cs/deep-learning/multimodal-sentence-embeddings
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 →Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →