Transformer Multimodus
Transformer Multimodus ialah lanjutan kepada seni bina Transformer standard untuk memproses dan menalar secara bersama ke atas dua atau lebih modaliti input — paling lazimnya teks dan imej, tetapi juga audio, video, atau data berstruktur. Lapisan perhatian silang modaliti membenarkan maklumat daripada satu modaliti memaklumkan perwakilan dalam modaliti lain, membolehkan tugasan seperti menjawab persoalan visual, penjanaan kapsyen imej, dan analisis sentimen multimodus.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Sumber
- Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/ms/deep-learning/multimodal-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.
- Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
- Klasifikasi ImejPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan BERT MultimodalPembelajaran Mendalam↔ compare
- Penyematan AyatPembelajaran Mendalam↔ compare
- Transformer VisiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →