Plongements de phrases multimodaux
Les plongements de phrases multimodaux projettent du texte et des images (et parfois de l'audio ou de la vidéo) dans un espace vectoriel continu partagé, de sorte que les paires sémantiquement liées provenant de différentes modalités se retrouvent proches les unes des autres. Entraînées par des objectifs contrastifs sur de grands corpus appariés, ces représentations alimentent la recherche intermodale, la classification zéro-shot et le raisonnement vision-langage.
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
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. In Proceedings of the 38th International Conference on Machine Learning (ICML), pp. 8748–8763. PMLR. link ↗
- Frome, A., Corrado, G. S., Shlens, J., Bengio, S., Dean, J., Ranzato, M., & Mikolov, T. (2013). DeViSE: A deep visual-semantic embedding model. In Advances in Neural Information Processing Systems (NeurIPS), Vol. 26. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/fr/deep-learning/multimodal-sentence-embeddings
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 →Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →