Multilingual Vision Transformer
Multilingual Vision Transformer (Multilingual ViT) udvider Vision Transformer-arkitekturen til at fungere på tværs af flere sprog, hvilket muliggør billedforståelse og billede-tekst-ræsonnement i flersprogede eller krydssprogede sammenhænge. Den kombinerer patch-baseret billedkodning med flersprogede tekstrepræsentationer, hvilket gør det muligt for en enkelt model at betjene forskellige sproglige fællesskaber til opgaver som billedtekstgenerering, visuel spørgsmålsbesvarelse og krydssproget billedsøgning.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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. International Conference on Learning Representations (ICLR 2021). link ↗
- Bugliarello, E., Liu, F., Pfeiffer, J., Reddy, S., Elliott, D., Erdem, E., Erdem, A., & Lukasiewicz, T. (2022). IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages. International Conference on Machine Learning (ICML 2022). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/da/deep-learning/multilingual-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.
- Klassifikation baseret på flersproget RoBERTaDyb læring↔ compare
- Flersprogede sætningsindlejringerDyb læring↔ compare
- Multimodal Vision TransformerDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →