Vision Transformer Multimodale
Il Vision Transformer Multimodale (Multimodal ViT) estende l'architettura del Vision Transformer per elaborare e allineare congiuntamente rappresentazioni da più modalità — tipicamente immagini e testo — utilizzando meccanismi di auto-attenzione e cross-attenzione. Apprendendo spazi di embedding condivisi o allineati tra le modalità, consente compiti come il visual question answering, il recupero immagine-testo, il grounding visuale e la didascalia di immagini.
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.
+1 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/it/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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Vision Transformer con Fine-TuningApprendimento profondo↔ compare
- Classificazione di immaginiApprendimento profondo↔ compare
- Classificazione basata su BERT multimodaleApprendimento profondo↔ compare
- Vision TransformerApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →