Vision Transformer multilingüe
El Vision Transformer multilingüe (Multilingual ViT) extiende la arquitectura Vision Transformer para operar en múltiples idiomas, permitiendo la comprensión de imágenes y el razonamiento imagen-texto en entornos multilingües o translingües. Combina la codificación de imágenes basada en parches con representaciones de texto multilingües, lo que permite que un único modelo sirva a diversas comunidades lingüísticas para tareas como la generación de leyendas de imágenes, la respuesta a preguntas visuales y la recuperación de imágenes translingüe.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/es/deep-learning/multilingual-vision-transformer
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Clasificación multilingüe basada en RoBERTaAprendizaje profundo↔ comparar
- Incrustaciones de oraciones multilingüesAprendizaje profundo↔ comparar
- Multimodal Vision TransformerAprendizaje profundo↔ comparar
- Vision TransformerAprendizaje profundo↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →