Multimodale Bildklassifikation
Multimodale Bildklassifikation erweitert die Standard-Bildklassifikation durch die Einbeziehung zusätzlicher Modalitäten – wie Textbeschreibungen, Audio oder strukturierte Metadaten – neben Bildmerkmalen. Separate Encoder verarbeiten jede Modalität, ihre Repräsentationen werden fusioniert und ein gemeinsamer Klassifikator weist die Zielklasse zu. Modelle wie CLIP zeigen, dass die Ausrichtung von Bild und Text skalierbare Zero-Shot- und Few-Shot-Bildklassifikation ermöglicht.
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
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139, 8748–8763. link ↗
- Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., & Ng, A. Y. (2011). Multimodal deep learning. Proceedings of the 28th International Conference on Machine Learning (ICML), 689–696. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/de/deep-learning/multimodal-image-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.
- Feinabgestimmte BildklassifikationDeep Learning↔ compare
- BildklassifizierungDeep Learning↔ compare
- Multimodale BERT-basierte KlassifikationDeep Learning↔ compare
- Multimodale ObjekterkennungDeep Learning↔ compare
- Multimodale Satz-EinbettungenDeep Learning↔ compare
- Multimodaler TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →