Mehrsprachiger Vision Transformer
Der mehrsprachige Vision Transformer (Multilingual ViT) erweitert die Vision Transformer-Architektur, um über mehrere Sprachen hinweg zu operieren, und ermöglicht Bildverständnis und Bild-Text-Schlussfolgerungen in mehrsprachigen oder sprachübergreifenden Szenarien. Er kombiniert patch-basierte Bildkodierung mit mehrsprachigen Textrepräsentationen, wodurch ein einziges Modell vielfältige Sprachgemeinschaften für Aufgaben wie Bildunterschriftenerstellung, visuelle Beantwortung von Fragen und sprachübergreifende Bildsuche bedienen kann.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/de/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.
- Multilinguale RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Mehrsprachige Satz-EinbettungenDeep Learning↔ compare
- Multimodal Vision TransformerDeep Learning↔ compare
- Vision TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →