Πολυτροπική Επεξεργασία Φυσικής Γλώσσας (NLP) — Κατανόηση Όρασης-Γλώσσας
Η Πολυτροπική Επεξεργασία Φυσικής Γλώσσας (Multimodal NLP) είναι μια οικογένεια διοχετεύσεων επεξεργασίας φυσικής γλώσσας που συνδυάζουν κείμενο με μία ή περισσότερες πρόσθετες τροπικότητες δεδομένων — συνηθέστερα εικόνες, αλλά και ήχο και βίντεο — για την εκτέλεση εργασιών κατανόησης και παραγωγής, όπως η οπτική απάντηση σε ερωτήσεις, η λεζάντα εικόνων και η πολυτροπική αναγνώριση συναισθήματος. Το πεδίο απέκτησε τη σύγχρονη μορφή του με το CLIP (Radford et al., 2021) και έκτοτε έχει προοδεύσει μέσω αρχιτεκτονικών όπως το BLIP-2 (Li et al., 2023) που γεφυρώνουν παγωμένους κωδικοποιητές εικόνας και μεγάλα γλωσσικά μοντέλα.
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.
Πηγές
- Radford, A., Kim, J.W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), 8748–8763. link ↗
- Li, J., Li, D., Savarese, S., & Hoi, S. (2023). BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. Proceedings of the 40th International Conference on Machine Learning (ICML), 19730–19742. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Multimodal Natural Language Processing. ScholarGate. https://scholargate.app/el/text-mining/multimodal-nlp
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.
- Μηχανισμός ΠροσοχήςΒαθιά Μάθηση↔ compare
- Ενσωματώσεις BERTΕξόρυξη Κειμένου↔ compare
- Ανάλυση ΣυναισθήματοςΕξόρυξη Κειμένου↔ compare
- Vision TransformerΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →