Multimodális NLP — Vizuális-nyelvi megértés
A multimodális NLP (természetesnyelv-feldolgozás) olyan feldolgozási folyamatok családja, amelyek a szöveget egy vagy több további adatmodlitással — leggyakrabban képekkel, de hanggal és videóval is — kombinálják megértési és generálási feladatok elvégzésére, mint például vizuális kérdés-válaszadás, képleírás-generálás és multimodális szenzimentum-felismerés. A terület modern formáját a CLIP (Radford et al., 2021) hozta el, és azóta olyan architektúrák fejlődtek ki, mint a BLIP-2 (Li et al., 2023), amelyek lefagyasztott képek kódolóit és nagyméretű nyelvi modelleket kapcsolnak össze.
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., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), 8748–8763. link ↗
- Li, J., Li, D., Savarese, S., & Hoi, S. (2023). BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. Proceedings of the 40th International Conference on Machine Learning (ICML), 19730–19742. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Multimodal Natural Language Processing. ScholarGate. https://scholargate.app/hu/text-mining/multimodal-nlp
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.
- Attention MechanismMélytanulás↔ compare
- BERT-beágyazásokSzövegbányászat↔ compare
- Szöveges hangulatelemzésSzövegbányászat↔ compare
- Vision TransformerMélytanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →