Transformador Multimodal
Un Transformador Multimodal extiende la arquitectura estándar del Transformador para procesar y razonar conjuntamente sobre dos o más modalidades de entrada —más comúnmente texto e imágenes, pero también audio, video o datos estructurados. Las capas de atención intermodal permiten que la información de una modalidad informe las representaciones en otra, posibilitando tareas como la respuesta visual a preguntas, la subtitulación de imágenes y el análisis de sentimientos multimodal.
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.
+15 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/es/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.
- Clasificación basada en BERTAprendizaje profundo↔ compare
- Clasificación de imágenesAprendizaje profundo↔ compare
- Clasificación multimodal basada en BERTAprendizaje profundo↔ compare
- Incrutaciones de oracionesAprendizaje profundo↔ compare
- Vision TransformerAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →