Multimodaalne Visioonitransformaator
Multimodaalne Visioonitransformaator (Multimodal ViT) laiendab Visioonitransformaatori arhitektuuri, et ühiselt töödelda ja ühitada mitme modaalsuse – tavaliselt piltide ja teksti – esitusi, kasutades enesetähelepanu ja rist-tähelepanu mehhanisme. Omandades modaalsuste vahel ühiseid või ühildatud sisestusruume, võimaldab see selliseid ülesandeid nagu visuaalne küsimustele vastamine, pilt-teksti otsing, visuaalne maandamine ja piltide kirjeldamine.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Allikad
- 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. In International Conference on Learning Representations (ICLR). link ↗
- 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. In Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/et/deep-learning/multimodal-vision-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.
- BERT-põhine klassifitseerimineSüvaõpe↔ compare
- Häälestatud nägemistransformaatorSüvaõpe↔ compare
- PildiklassifikatsioonSüvaõpe↔ compare
- Mitmemodaalne BERT-põhine klassifitseerimineSüvaõpe↔ compare
- Vision TransformerSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →