Multimodális képbesorolás
A multimodális képbesorolás kiterjeszti a standard vizuális besorolást azáltal, hogy a képjellemzők mellett további modalitásokat – mint például szöveges feliratok, hang, vagy strukturált metaadatok – is bevon. Külön enkóderek dolgozzák fel az egyes modalitásokat, reprezentációikat egyesítik, és egy közös besoroló rendeli hozzá a célcímkét. Olyan modellek, mint a CLIP, demonstrálják, hogy a kép-szöveg igazítás lehetővé teszi a nulla- és kevés-mintás képbesorolást nagy léptékben.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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, 8748–8763. link ↗
- Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., & Ng, A. Y. (2011). Multimodal deep learning. Proceedings of the 28th International Conference on Machine Learning (ICML), 689–696. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/hu/deep-learning/multimodal-image-classification
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.
- Finomhangolt képbesorolásMélytanulás↔ compare
- KéposztályozásMélytanulás↔ compare
- Multimodális BERT-alapú osztályozásMélytanulás↔ compare
- Multimodális objektumdetektálásMélytanulás↔ compare
- Multimodális mondatbeágyazásokMélytanulás↔ compare
- Multimodális transzformerMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →