Streszczanie multimodalnych tekstów
Streszczanie multimodalnych tekstów generuje zwięzłe podsumowanie tekstowe poprzez wspólne przetwarzanie wielu modalności wejściowych — najczęściej tekstu i obrazów, ale także klatek wideo lub dźwięku — przy użyciu modeli głębokiego uczenia, które dopasowują reprezentacje wizualne i językowe. Wynikiem jest podsumowanie w języku naturalnym, które oddaje istotne treści ze wszystkich dostępnych modalności.
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
- Zhu, J., Li, H., Liu, T., Zhou, Y., Zhang, J., & Zong, C. (2018). MSMO: Multimodal Summarization with Multimodal Output. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing (EMNLP), 4154–4164. link ↗
- Zhu, J., Zhou, Y., Zhang, J., Li, H., Zong, C., & Li, C. (2020). Multimodal Summarization with Guidance of Multimodal Reference. Proceedings of the AAAI Conference on Artificial Intelligence, 34(05), 9749–9756. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multimodal Text Summarization (Cross-Modal Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/pl/deep-learning/multimodal-text-summarization
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 BERTUczenie głębokie↔ compare
- Dostrajanie podsumowywania tekstuUczenie głębokie↔ compare
- Klasyfikacja multimodalna oparta na BERTUczenie głębokie↔ compare
- Odpowiadanie na pytania multimodalneUczenie głębokie↔ compare
- Transformator multimodalnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →