Multimodální Transformer
Multimodální Transformer rozšiřuje standardní architekturu Transformeru pro zpracování a společné uvažování nad dvěma nebo více vstupními modalitami – nejčastěji textem a obrazy, ale také zvukem, videem nebo strukturovanými daty. Vrstvy křížové pozornosti umožňují informacím z jedné modality ovlivňovat reprezentace v jiné, což umožňuje úlohy jako vizuální odpovídání na otázky, generování popisků k obrázkům a multimodální analýzu sentimentu.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Zdroje
- 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 ↗
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Klasifikace obrazuHluboké učení↔ compare
- Víceúčelová klasifikace založená na BERTHluboké učení↔ compare
- Vektorové reprezentace větHluboké učení↔ compare
- Vision TransformerHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →