Multimodale setningsinnleiringer
Multimodale setningsinnleiringer avbilder tekst og bilder (og noen ganger lyd eller video) inn i et felles kontinuerlig vektorrom, slik at semantisk relaterte par fra forskjellige modaliteter havner nær hverandre. Disse representasjonene, trent med kontrastive mål på store parvise korpora, driver kryssmodal gjenfinning, nullskudds-klassifisering og syn-språk-resonnering.
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. In Proceedings of the 38th International Conference on Machine Learning (ICML), pp. 8748–8763. PMLR. link ↗
- Frome, A., Corrado, G. S., Shlens, J., Bengio, S., Dean, J., Ranzato, M., & Mikolov, T. (2013). DeViSE: A deep visual-semantic embedding model. In Advances in Neural Information Processing Systems (NeurIPS), Vol. 26. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/no/deep-learning/multimodal-sentence-embeddings
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.
Compare side by side →Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →