Multimodalni Transformer
Multimodalni Transformer proširuje standardnu arhitekturu Transformera za obradu i zajedničko zaključivanje nad dvije ili više ulaznih modaliteta — najčešće tekst i slike, ali također audio, video ili strukturirani podaci. Slojevi unakrsne pažnje (cross-modal attention) omogućuju informacijama iz jednog modaliteta da utječu na reprezentacije u drugom, omogućujući zadatke poput vizualnog odgovaranja na pitanja, generiranja opisa slika i multimodalne analize sentimenta.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Izvori
- Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/hr/deep-learning/multimodal-transformer
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
- Klasifikacija slikaDuboko učenje↔ compare
- Multimodalna klasifikacija utemeljena na BERT-uDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Vision TransformerDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →