Wielojęzyczny Transformer Wizyjny
Wielojęzyczny Transformer Wizyjny (Multilingual ViT) rozszerza architekturę Transformera Wizyjnego do działania w wielu językach, umożliwiając rozumienie obrazów i rozumowanie obrazowo-tekstowe w ustawieniach wielojęzycznych lub międzyjęzykowych. Łączy on kodowanie obrazu oparte na łatach z wielojęzycznymi reprezentacjami tekstowymi, pozwalając pojedynczemu modelowi obsługiwać różnorodne społeczności językowe w zadaniach takich jak opisywanie obrazów, odpowiadanie na pytania wizualne i międzyjęzykowe wyszukiwanie obrazów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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. International Conference on Learning Representations (ICLR 2021). link ↗
- Bugliarello, E., Liu, F., Pfeiffer, J., Reddy, S., Elliott, D., Erdem, E., Erdem, A., & Lukasiewicz, T. (2022). IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages. International Conference on Machine Learning (ICML 2022). link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/pl/deep-learning/multilingual-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.
- Klasyfikacja oparta na wielojęzycznym modelu RoBERTaUczenie głębokie↔ compare
- Wielojęzyczne osadzanie zdańUczenie głębokie↔ compare
- Multimodal Vision TransformerUczenie głębokie↔ compare
- Vision TransformerUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →