Πολυτροπικός Μετασχηματιστής
Ένας Πολυτροπικός Μετασχηματιστής επεκτείνει την τυπική αρχιτεκτονική του Μετασχηματιστή για να επεξεργάζεται και να συλλογίζεται από κοινού δύο ή περισσότερες εισόδους τροπικότητας — συνηθέστερα κείμενο και εικόνες, αλλά και ήχο, βίντεο ή δομημένα δεδομένα. Τα επίπεδα διατροπικής προσοχής επιτρέπουν σε πληροφορίες από μία τροπικότητα να ενημερώνουν αναπαραστάσεις σε άλλη, επιτρέποντας εργασίες όπως η απάντηση ερωτήσεων για εικόνες, η περιγραφή εικόνων και η πολυτροπική ανάλυση συναισθήματος.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Πηγές
- 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 (NeurIPS), 32. link ↗
- 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. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/el/deep-learning/multimodal-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.
- Ταξινόμηση Βασισμένη σε BERTΒαθιά Μάθηση↔ compare
- Κατηγοριοποίηση ΕικόνωνΒαθιά Μάθηση↔ compare
- Ταξινόμηση Βασισμένη σε Πολυτροπικό BERTΒαθιά Μάθηση↔ compare
- Ενσωματώσεις ΠροτάσεωνΒαθιά Μάθηση↔ compare
- Vision TransformerΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →