Preguntas y respuestas multimodales
Las preguntas y respuestas multimodales (Multimodal QA) son una clase de métodos de aprendizaje profundo que responden preguntas en lenguaje natural razonando conjuntamente sobre información de múltiples modalidades —comúnmente texto e imágenes, pero también vídeo, audio y tablas estructuradas. Introducido prominentemente a través del benchmark VQA en 2015, desde entonces se ha expandido a un área de investigación amplia que impulsa la comprensión de documentos, la asistencia en diagnóstico médico y la IA encarnada.
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
- Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., & Parikh, D. (2015). VQA: Visual Question Answering. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2425–2433. DOI: 10.1109/ICCV.2015.279 ↗
- Xu, P., Zhu, X., & Clifton, D. A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. DOI: 10.1109/TPAMI.2023.3275156 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/es/deep-learning/multimodal-question-answering
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 basada en BERTAprendizaje profundo↔ compare
- Clasificación multimodal basada en BERTAprendizaje profundo↔ compare
- Incrustaciones de Oraciones MultimodalesAprendizaje profundo↔ compare
- Resumen de texto multimodalAprendizaje profundo↔ compare
- Transformador MultimodalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →