Klasyfikacja multimodalna obrazów
Klasyfikacja multimodalna obrazów rozszerza standardową klasyfikację wizualną o dodatkowe modalności — takie jak opisy tekstowe, dźwięk czy ustrukturyzowane metadane — obok cech obrazu. Oddzielne enkodery przetwarzają każdą modalność, ich reprezentacje są łączone, a wspólny klasyfikator przypisuje docelową etykietę. Modele takie jak CLIP pokazują, że dopasowanie obrazu i tekstu umożliwia klasyfikację obrazów w trybie zero-shot i few-shot na dużą skalę.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/pl/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.
- Dostrajanie klasyfikacji obrazówUczenie głębokie↔ compare
- Klasyfikacja obrazówUczenie głębokie↔ compare
- Klasyfikacja multimodalna oparta na BERTUczenie głębokie↔ compare
- Detekcja obiektów multimodalnychUczenie głębokie↔ compare
- Osadzenia zdań multimodalnychUczenie głębokie↔ compare
- Transformator multimodalnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →