Višeslojni (multimodalni) ugrađeni prikazi rečenica
Višeslojni ugrađeni prikazi rečenica mapiraju tekst i slike (a ponekad i zvuk ili video) u zajednički kontinuirani vektorski prostor, tako da se semantički srodni parovi iz različitih modaliteta nađu blizu jedan drugoga. Obučeni pomoću kontrastivnih ciljeva na velikim uparenim korpusima, ovi prikazi pokreću unakrsno-modalno dohvaćanje, klasifikaciju bez primjera (zero-shot) i rezoniranje na relaciji vizija-jezik.
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., ... & 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/hr/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 →Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →