Multimodale sætningsindlejringer
Multimodale sætningsindlejringer afbilder tekst og billeder (og sommetider lyd eller video) ind i et delt kontinuerligt vektorrum, således at semantisk relaterede par fra forskellige modaliteter lander tæt på hinanden. Trænet med kontrastive mål på store parrede korpora, driver disse repræsentationer krydsmodal genfinding, nul-skuds klassifikation og vision-sprog ræsonnement.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/da/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 →Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →