Multimodális mondatbeágyazások
A multimodális mondatbeágyazások szöveget és képeket (néha hangot vagy videót) egy közös, folytonos vektortérbe képeznek le, így a különböző modalitásokból származó, szemantikailag összefüggő párok közel helyezkednek el. Nagy, párosított korpuszokon kontrasztív célfüggvényekkel tanítva ezek a reprezentációk lehetővé teszik a modalitások közötti lekérdezést, a nulla-lövetes osztályozást és a látás-nyelv érvelést.
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. 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/hu/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 →Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →