Clasificación de Imágenes Multimodales
La clasificación de imágenes multimodales extiende la clasificación visual estándar al incorporar modalidades adicionales —como subtítulos de texto, audio o metadatos estructurados— junto con las características de la imagen. Codificadores separados procesan cada modalidad, sus representaciones se fusionan y un clasificador conjunto asigna la etiqueta objetivo. Modelos como CLIP demuestran que la alineación imagen-texto permite la clasificación de imágenes de forma zero-shot y few-shot a gran escala.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/es/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.
- Clasificación de Imágenes Mediante Ajuste FinoAprendizaje profundo↔ compare
- Clasificación de imágenesAprendizaje profundo↔ compare
- Clasificación multimodal basada en BERTAprendizaje profundo↔ compare
- Detección multimodal de objetosAprendizaje profundo↔ compare
- Incrustaciones de Oraciones MultimodalesAprendizaje profundo↔ compare
- Transformador MultimodalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →