CLIP — Kontrastivno predobučavanje jezika i slike
CLIP (Contrastive Language-Image Pretraining) je model vida i jezika koji su predstavili Radford et al. na OpenAI-u 2021. godine, a koji zajednički uči usklađene reprezentacije slika i teksta treniranjem na 400 milijuna parova slika i teksta iz interneta koristeći kontrastivni cilj, omogućujući nulto-shot prijenos na zadatke klasifikacije slika bez ikakvog finog podešavanja specifičnog za zadatak.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning, PMLR 139, 8748–8763. link ↗
- Radford, A., et al. (2021). Learning Transferable Visual Models From Natural Language Supervision. arXiv:2103.00020. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-262-03561-3
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Contrastive Language-Image Pretraining. ScholarGate. https://scholargate.app/hr/deep-learning/clip
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.
- ResNet (rezidualna mreža)Duboko učenje↔ compare
- Vision TransformerDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →