Multilingual vision transformer
Multilingual Vision Transformer (Multilingual ViT) extends the Vision Transformer architecture to operate across multiple languages, enabling image understanding and image-text reasoning in multilingual or cross-lingual settings. It combines patch-based image encoding with multilingual text representations, allowing a single model to serve diverse linguistic communities for tasks such as image captioning, visual question answering, and cross-lingual image retrieval.
स्रोत रिकॉर्ड
विधियों के स्रोत रिकॉर्ड से उद्धरण शब्दशः कॉपी किए गए हैं। इनसे किसी भी दावे-स्तरीय सत्यापन का अनुमान नहीं लगाया गया है।
- 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. International Conference on Learning Representations (ICLR 2021). · URL
- Bugliarello, E., Liu, F., Pfeiffer, J., Reddy, S., Elliott, D., Erdem, E., Erdem, A., & Lukasiewicz, T. (2022). IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages. International Conference on Machine Learning (ICML 2022). · URL
क्यूरेटेड दावे
साक्ष्य लेज़र में दावे बने हुए हैं, प्रत्येक का अपना मूल्यांकन है।
जब लेज़र में कोई दावा नहीं होता है तो यह दृश्य दावा मूल्यांकन का आविष्कार नहीं करता है।
संबंधित विधियाँ
विधि ग्राफ़ से उत्पन्न और मशीन-अनुशंसित संबंध के रूप में दिखाए गए हैं — किसी भी साक्ष्य दावे का अनुमान नहीं लगाया गया है।