Classificação de Imagens Multimodais
A classificação de imagens multimodais estende a classificação visual padrão ao incorporar modalidades adicionais — como legendas de texto, áudio ou metadados estruturados — ao lado de características de imagem. Codificadores separados processam cada modalidade, suas representações são fundidas e um classificador conjunto atribui o rótulo alvo. Modelos como CLIP demonstram que o alinhamento imagem-texto permite classificação de imagem zero-shot e few-shot em escala.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/pt/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.
- Classificação de Imagens Fine-TunedAprendizado profundo↔ compare
- Classificação de ImagensAprendizado profundo↔ compare
- Classificação Multimodal Baseada em BERTAprendizado profundo↔ compare
- Detecção Multimodal de ObjetosAprendizado profundo↔ compare
- Embeddings Multimodais de FrasesAprendizado profundo↔ compare
- Transformer MultimodalAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →