ScholarGate
دستیار
Machine learningDeep learning / NLP / CV

ترانسفورمر چندوجهی

یک ترانسفورمر چندوجهی (Multimodal Transformer) معماری استاندارد ترانسفورمر را برای پردازش و استدلال مشترک بر روی دو یا چند وجه ورودی — که معمولاً متن و تصویر هستند، اما می‌توانند شامل صوت، ویدئو یا داده‌های ساختاریافته نیز باشند — گسترش می‌دهد. لایه‌های توجه متقابل وجهی (Cross-modal attention layers) امکان می‌دهند تا اطلاعات یک وجه، بازنمایی‌های وجه دیگر را تحت تأثیر قرار دهد و وظایفی مانند پاسخ‌گویی بصری به پرسش، تولید شرح تصویر و تحلیل احساسات چندوجهی را ممکن می‌سازد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

ترانسفورمر چندوجهی
طبقه‌بندی مبتنی بر بِرْتطبقه‌بندی تصویرطبقه‌بندی چندوجهی مبتنی…تعبیه‌های جملهترنسفورمر بیناییترنسفورمر قابل توضیح (Ex…شبکه عصبی پیچشی چندوجهیمدل انتشار چندوجهی (Mult…داک تو وِک چندوجهیMultimodal GAN

+15 more

منابع

  1. 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 ↗
  2. 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 ↗

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/fa/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.

Compare side by side →

ارجاع‌شده در

ترنسفورمر قابل توضیح (Explainable Transformer)شبکه عصبی پیچشی چندوجهیمدل انتشار چندوجهی (Multimodal Diffusion Model)داک تو وِک چندوجهیMultimodal GANشبکه عصبی گراف چندوجهیگیتد بازگشتی چندوجهیطبقه‌بندی تصاویر چندوجهیمدل موضوعی LDA چندوجهیشبکه حافظه طولانی کوتاه چندوجهی (Multimodal LSTM)پرسپترون چندلایه‌ی چندوجهیشناسایی موجودیت نام‌گذاری شده چندوجهیآشکارسازی اشیاء چندوجهیپاسخگویی به پرسش‌های چندوجهیشبکه عصبی بازگشتی چندوجهییادگیری تقویتی چندوجهی (Multimodal Reinforcement Learning)طبقه‌بندی چندوجهی مبتنی بر RoBERTaخلاصه‌سازی متن چندوجهیمدل‌سازی موضوعی چندوجهیWord2Vec چندوجهی

در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →

ScholarGate — Multimodal Transformer (Multimodal Transformer (Cross-Modal Attention-Based Architecture)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/deep-learning/multimodal-transformer · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026