Process / pipeline
マルチモーダル自然言語処理 — ビジョン言語理解
マルチモーダル自然言語処理（Multimodal NLP）は、テキストと1つ以上の追加データモダリティ（最も一般的には画像、しかし音声や動画も含む）を組み合わせて、ビジュアル質問応答、画像キャプション生成、マルチモーダル感情認識などの理解および生成タスクを実行する、自然言語処理パイプラインの一群である。この分野は、CLIP（Radford et al., 2021）によって現代的な形態を得て、その後、固定された画像エンコーダと大規模言語モデルを橋渡しするBLIP-2（Li et al., 2023）のようなアーキテクチャを通じて進歩してきた。
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
- 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. Proceedings of the 38th International Conference on Machine Learning (ICML), 8748–8763. link ↗
- Li, J., Li, D., Savarese, S., & Hoi, S. (2023). BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. Proceedings of the 40th International Conference on Machine Learning (ICML), 19730–19742. link ↗
このページの引用方法
ScholarGate. (2026, June 1). Multimodal Natural Language Processing. ScholarGate. https://scholargate.app/ja/text-mining/multimodal-nlp
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.
- アテンションメカニズム深層学習↔ compare
- BERT埋め込みテキストマイニング↔ compare
- 感情分析テキストマイニング↔ compare
- ビジョントランスフォーマー深層学習↔ compare