Multimodale BERT-basierte Klassifikation
Multimodale BERT-basierte Klassifikation erweitert die BERT-Transformer-Architektur zur gemeinsamen Kodierung und Klassifizierung von Daten aus mehreren Modalitäten – am häufigsten Text gepaart mit Bildern –, indem deren Repräsentationen vor einem finalen Klassifikationskopf verschmolzen werden. Modelle wie MMBT und ViLBERT, die prominent um 2019 herum eingeführt wurden, haben diesen Ansatz zu einem Standard für Aufgaben gemacht, bei denen weder Text noch Bild allein genügend Informationen für eine genaue Kennzeichnung liefern.
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.
+8 more
Quellen
- Kiela, D., Bhooshan, S., Firooz, H., Perez, E., & Testuggine, D. (2019). Supervised multimodal bitransformers for classifying images and text. arXiv preprint arXiv:1909.02950. link ↗
- Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining task-agnostic visiolinguistic representations for vision-and-language tasks. Advances in Neural Information Processing Systems, 32. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multimodal BERT-based Classification (Transformer Fusion of Text and Non-text Modalities). ScholarGate. https://scholargate.app/de/deep-learning/multimodal-bert-based-classification
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.
- CLIPDeep Learning↔ compare
- Vision TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →