گیتد بازگشتی چندوجهی
گیتد بازگشتی چندوجهی (Multimodal GRU) معماری گیتد بازگشتی (GRU) را گسترش میدهد تا دادههای ترتیبی را از چندین وجه ورودی - مانند متن، صدا و فریمهای ویدئو - به طور مشترک در یک چارچوب بازگشتی واحد پردازش کند. با ادغام رمزگذاریهای خاص وجه در سطح ورودی یا حالت پنهان، وابستگیهای زمانی را در سراسر جریانهای داده ناهمگن ثبت میکند و به طور گسترده در تحلیل احساسات چندوجهی، درک ویدئو و تشخیص گفتار صوتی-تصویری استفاده میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of EMNLP 2014, 1724–1734. link ↗
- Zadeh, A., Chen, M., Poria, S., Cambria, E., & Morency, L.-P. (2017). Tensor Fusion Network for Multimodal Sentiment Analysis. Proceedings of EMNLP 2017, 1103–1114. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Multimodal Gated Recurrent Unit. ScholarGate. https://scholargate.app/fa/deep-learning/multimodal-gru
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.
- واحد تکرارشونده گیتدار (GRU)یادگیری عمیق↔ compare
- حافظه طولانی کوتاهمدت (LSTM)یادگیری عمیق↔ compare
- طبقهبندی چندوجهی مبتنی بر BERTیادگیری عمیق↔ compare
- شبکه حافظه طولانی کوتاه چندوجهی (Multimodal LSTM)یادگیری عمیق↔ compare
- شبکه عصبی بازگشتی چندوجهییادگیری عمیق↔ compare
- ترانسفورمر چندوجهییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →