Višeznačno odgovaranje na pitanja
Višeznačno odgovaranje na pitanja (Multimodal QA) je klasa metoda dubokog učenja koje odgovaraju na pitanja postavljena prirodnim jezikom zajedničkim zaključivanjem iz informacija iz više modaliteta — najčešće teksta i slika, ali također i videa, zvuka i strukturiranih tablica. Istaknuto predstavljeno kroz VQA referentni skup podataka 2015. godine, od tada se proširilo u široko istraživačko područje koje pokreće razumijevanje dokumenata, pomoć pri medicinskoj dijagnostici i ugrađena umjetna inteligencija.
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
- Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., & Parikh, D. (2015). VQA: Visual Question Answering. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2425–2433. DOI: 10.1109/ICCV.2015.279 ↗
- Xu, P., Zhu, X., & Clifton, D. A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. DOI: 10.1109/TPAMI.2023.3275156 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/hr/deep-learning/multimodal-question-answering
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.
- BERT-tem klasifikacijaDuboko učenje↔ compare
- Multimodalna klasifikacija utemeljena na BERT-uDuboko učenje↔ compare
- Višeslojni (multimodalni) ugrađeni prikazi rečenicaDuboko učenje↔ compare
- Multimodalno sažimanje tekstaDuboko učenje↔ compare
- Multimodalni TransformerDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →