Machine learningDeep learning / NLP / CV
マルチモーダルVision Transformer
マルチモーダルVision Transformer（Multimodal ViT）は、Vision Transformerアーキテクチャを拡張し、自己注意機構と交差注意機構を用いて、複数のモダリティ（典型的には画像とテキスト）からの表現を共同で処理し、整合させます。モダリティ間で共有または整合された埋め込み空間を学習することで、視覚的質問応答、画像-テキスト検索、視覚的グラウンディング、画像キャプション生成などのタスクを可能にします。
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.
+1 more
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/ja/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.
- BERTベースの分類深層学習↔ compare
- ファインチューニングされたVision Transformer深層学習↔ compare
- 画像分類深層学習↔ compare
- マルチモーダルBERTベース分類深層学習↔ compare
- ビジョントランスフォーマー深層学習↔ compare