GRU Multimodal
Le GRU multimodal étend l'architecture Gated Recurrent Unit pour traiter conjointement des données séquentielles provenant de plusieurs modalités d'entrée — telles que le texte, l'audio et les images vidéo — au sein d'un cadre récurrent unique. En fusionnant des codages spécifiques aux modalités au niveau de l'entrée ou de l'état caché, il capture les dépendances temporelles entre des flux de données hétérogènes et est largement utilisé dans l'analyse multimodale des sentiments, la compréhension vidéo et la reconnaissance de la parole audio-visuelle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Multimodal Gated Recurrent Unit. ScholarGate. https://scholargate.app/fr/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.
- Unité récurrente "gated" (GRU)Apprentissage profond↔ compare
- Long Short-Term Memory (LSTM)Apprentissage profond↔ compare
- Classification multimodale basée sur BERTApprentissage profond↔ compare
- LSTM multimodalApprentissage profond↔ compare
- Réseau neuronal récurrent multimodalApprentissage profond↔ compare
- Transformeur MultimodalApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →