Machine learningDeep learning / NLP / CV
マルチモーダル質問応答
マルチモーダル質問応答（Multimodal QA）は、複数のモダリティからの情報を共同で推論することによって自然言語の質問に答えるディープラーニング手法の一種です。最も一般的なのはテキストと画像ですが、ビデオ、音声、構造化された表も含まれます。2015年にVQAベンチマークを通じて広く導入されて以来、文書理解、医療診断支援、具現化されたAIを支える幅広い研究分野へと拡大しました。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., & Parikh, D. (2015). VQA: Visual Question Answering. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2425–2433. DOI: 10.1109/ICCV.2015.279 ↗
- Xu, P., Zhu, X., & Clifton, D. A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. DOI: 10.1109/TPAMI.2023.3275156 ↗
このページの引用方法
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/ja/deep-learning/multimodal-question-answering
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.
- BERTベースの分類深層学習↔ compare
- マルチモーダルBERTベース分類深層学習↔ compare
- マルチモーダル文埋め込み深層学習↔ compare
- マルチモーダルテキスト要約深層学習↔ compare
- マルチモーダル・トランスフォーマー深層学習↔ compare