多言語画像分類

多言語画像分類は、クラス名、教師信号、または評価ベンチマークが複数の言語にまたがる場合に、画像を認識およびラベル付けするための視覚モデルをトレーニングします。CLIPのような多言語の視覚言語モデルによって可能になり、単一のモデルでサポートされている任意の言語のプロンプトまたはラベルを使用して画像を分類できるため、コンピュータビジョンシステムの異文化間およびクロスリンガルの展開が容易になります。