Multimodal Vision Transformer
Multimodal Vision Transformer (Multimodal ViT) utvider Vision Transformer-arkitekturen for å felles prosessere og justere representasjoner fra flere modaliteter – typisk bilder og tekst – ved hjelp av self-attention og cross-attention-mekanismer. Ved å lære delte eller justerte innleiringsrom på tvers av modaliteter, muliggjør den oppgaver som visuell spørsmålsbesvarelse, bilde-tekst-henting, visuell forankring og bildebeskrivelse.
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.
+1 more
Kilder
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In International Conference on Learning Representations (ICLR). link ↗
- 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. In Proceedings of the 38th International Conference on Machine Learning (ICML), PMLR 139. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Multimodal Vision Transformer (Multimodal ViT). ScholarGate. https://scholargate.app/no/deep-learning/multimodal-vision-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.
- BERT-basert klassifiseringDyp læring↔ compare
- Finjustert Vision TransformerDyp læring↔ compare
- BildeklassifiseringDyp læring↔ compare
- Multimodal BERT-basert klassifiseringDyp læring↔ compare
- Vision TransformerDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →