Multimodální Vision Transformer
Multimodální Vision Transformer (Multimodální ViT) rozšiřuje architekturu Vision Transformer pro společné zpracování a zarovnání reprezentací z více modalit — typicky obrazů a textu — pomocí mechanismů self-attention a cross-attention. Učením sdílených nebo zarovnaných vnořených prostorů napříč modalitami umožňuje úlohy jako vizuální odpovídání na otázky, vyhledávání obrazů podle textu, vizuální uzemnění a popisování obrazů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Zdroje
- 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 ↗
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Dolaďovaný Vision TransformerHluboké učení↔ compare
- Klasifikace obrazuHluboké učení↔ compare
- Víceúčelová klasifikace založená na BERTHluboké učení↔ compare
- Vision TransformerHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →