Multimodale LSTM
Multimodale LSTM breidt het standaard Long Short-Term Memory-netwerk uit om sequentiële gegevens uit meerdere invoermodaliteiten — zoals tekst, audio en video — gezamenlijk te verwerken binnen een uniforme recurrente architectuur. Door representaties uit verschillende bronnen te fuseren vóór of binnen de LSTM-cellen, legt het temporele afhankelijkheden vast die modaliteiten overspannen en kruisen, waardoor het een fundamentele benadering wordt voor taken zoals sentimentanalyse, videobijschriften genereren en affectieve berekeningen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Rajagopalan, S., Tran, L., Rozgic, V., Narayanan, S., Kumar, A., & Ramakrishna, S. (2016). Extending Long Short-Term Memory for Multi-View Structured Learning. In Proceedings of ECCV 2016. Springer. link ↗
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Multimodal Long Short-Term Memory Network. ScholarGate. https://scholargate.app/nl/deep-learning/multimodal-lstm
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.
- Attention MechanismDeep learning↔ compare
- Gated Recurrent Unit (GRU)Deep learning↔ compare
- LSTMDeep learning↔ compare
- Multimodale TransformerDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →