Transformer Multimodale
Un Transformer Multimodale estende l'architettura Transformer standard per elaborare e ragionare congiuntamente su due o più modalità di input — più comunemente testo e immagini, ma anche audio, video o dati strutturati. I layer di attenzione cross-modale consentono alle informazioni di una modalità di informare le rappresentazioni in un'altra, abilitando task come il visual question answering, l'image captioning e l'analisi del sentiment multimodale.
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.
+15 more
Fonti
- Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
- 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. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/it/deep-learning/multimodal-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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Classificazione di immaginiApprendimento profondo↔ compare
- Classificazione basata su BERT multimodaleApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
- Vision TransformerApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →