Multimodális Vizuális Transzformer
A Multimodális Vizuális Transzformer (Multimodal ViT) a Vizuális Transzformer architektúrát bővíti, hogy önfigyelmes és keresztfigyelmes mechanizmusok segítségével közösen dolgozza fel és igazítsa a több modalitásból — tipikusan képekből és szövegből — származó reprezentációkat. A modalitások közötti megosztott vagy igazított beágyazási terek megtanulásával olyan feladatokat tesz lehetővé, mint a vizuális kérdés-válaszolás, kép-szöveg lekérdezés, vizuális horgonyzás és képleírás.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
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. In International Conference on Learning Representations (ICLR). link ↗
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. In Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/hu/deep-learning/multimodal-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.
- BERT-alapú osztályozásMélytanulás↔ compare
- Finomhangolt Vision TransformerMélytanulás↔ compare
- KéposztályozásMélytanulás↔ compare
- Multimodális BERT-alapú osztályozásMélytanulás↔ compare
- Vision TransformerMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →