Multimodal bildeklassifisering
Multimodal bildeklassifisering utvider standard visuell klassifisering ved å inkorporere tilleggsmodaliteter – som tekstbeskrivelser, lyd eller strukturert metadata – sammen med bildeegenskaper. Separate kodere behandler hver modalitet, deres representasjoner fusjoneres, og en felles klassifikator tildeler måletiketten. Modeller som CLIP demonstrerer at bilde-tekst-justering muliggjør nullskudds- og fåskudds bildeklassifisering i stor skala.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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, 8748–8763. link ↗
- Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., & Ng, A. Y. (2011). Multimodal deep learning. Proceedings of the 28th International Conference on Machine Learning (ICML), 689–696. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/no/deep-learning/multimodal-image-classification
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.
- Finjustert bildklassifiseringDyp læring↔ compare
- BildeklassifiseringDyp læring↔ compare
- Multimodal BERT-basert klassifiseringDyp læring↔ compare
- Multimodal objektdeteksjonDyp læring↔ compare
- Multimodale setningsinnleiringerDyp læring↔ compare
- Multimodal transformereDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →