Multimodal NLP — Vision-Language Understanding
Multimodal NLP er en familie af naturligt sprogbehandlings-pipelines, der kombinerer tekst med en eller flere yderligere datamodaliteter — oftest billeder, men også lyd og video — til at udføre forståelses- og genereringsopgaver såsom visuel spørgsmålsbesvarelse, billedtekstning og multimodal følelsesgenkendelse. Feltet fik sin moderne form med CLIP (Radford et al., 2021) og har siden udviklet sig gennem arkitekturer som BLIP-2 (Li et al., 2023), der forbinder frosne billedkodere og store sprogmodeller.
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., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), 8748–8763. link ↗
- Li, J., Li, D., Savarese, S., & Hoi, S. (2023). BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. Proceedings of the 40th International Conference on Machine Learning (ICML), 19730–19742. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Multimodal Natural Language Processing. ScholarGate. https://scholargate.app/da/text-mining/multimodal-nlp
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.
- OpmærksomhedsmekanismeDyb læring↔ compare
- BERT-indlejringerTekstmining↔ compare
- SentimentanalyseTekstmining↔ compare
- Vision TransformerDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →