Embedding multimodali di frasi
Gli embedding multimodali di frasi mappano testo e immagini (e talvolta audio o video) in uno spazio vettoriale continuo condiviso, in modo che coppie semanticamente correlate da diverse modalità si avvicinino. Addestrati con obiettivi contrastivi su ampi corpora accoppiati, queste rappresentazioni potenziano il recupero cross-modale, la classificazione zero-shot e il ragionamento visione-linguaggio.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/it/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 →Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →