Πολύγλωσσο Vision Transformer
Το Πολύγλωσσο Vision Transformer (Multilingual ViT) επεκτείνει την αρχιτεκτονική Vision Transformer ώστε να λειτουργεί σε πολλαπλές γλώσσες, επιτρέποντας την κατανόηση εικόνων και τη συλλογιστική εικόνας-κειμένου σε πολύγλωσσα ή διαγλωσσικά περιβάλλοντα. Συνδυάζει κωδικοποίηση εικόνας βάσει τμημάτων (patches) με πολύγλωσσες αναπαραστάσεις κειμένου, επιτρέποντας σε ένα μόνο μοντέλο να εξυπηρετεί διαφορετικές γλωσσικές κοινότητες για εργασίες όπως η λεζάντογράφηση εικόνων, η οπτική απάντηση ερωτήσεων και η διαγλωσσική ανάκτηση εικόνων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/el/deep-learning/multilingual-vision-transformer
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Ταξινόμηση βασισμένη σε πολυγλωσσικό RoBERTaΒαθιά Μάθηση↔ σύγκριση
- Πολυγλωσσικές Ενσωματώσεις ΠροτάσεωνΒαθιά Μάθηση↔ σύγκριση
- Multimodal Vision TransformerΒαθιά Μάθηση↔ σύγκριση
- Vision TransformerΒαθιά Μάθηση↔ σύγκριση
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →