Multilingual Vision Transformer
A Multilingual Vision Transformer (Multilingual ViT) a Vision Transformer architektúra több nyelven való működésre bővítve, lehetővé téve képek megértését és kép-szöveg alapú következtetést többnyelvű vagy nyelvközi környezetben. Ez integrálja a patch-alapú képi kódolást többnyelvű szöveges reprezentációkkal, lehetővé téve egyetlen modell számára, hogy különböző nyelvi közösségeket szolgáljon olyan feladatokhoz, mint a képleírás, vizuális kérdés-válasz, és nyelvközi képhivatkozás.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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). link ↗
- 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). link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/hu/deep-learning/multilingual-vision-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.
- Többnyelvű RoBERTa-alapú osztályozásMélytanulás↔ compare
- Multilingvis mondatbeágyazásokMélytanulás↔ compare
- Multimodális Vizuális TranszformerMélytanulás↔ compare
- Vision TransformerMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →