Transformer Multimodal
Um Transformer Multimodal estende a arquitetura Transformer padrão para processar e raciocinar conjuntamente sobre duas ou mais modalidades de entrada — mais comumente texto e imagens, mas também áudio, vídeo ou dados estruturados. Camadas de atenção intermodal permitem que informações de uma modalidade informem representações em outra, possibilitando tarefas como resposta a perguntas visuais, legendagem de imagens e análise de sentimento multimodal.
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.
+15 more
Fontes
- Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
- 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. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/pt/deep-learning/multimodal-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.
- Classificação baseada em BERTAprendizado profundo↔ compare
- Classificação de ImagensAprendizado profundo↔ compare
- Classificação Multimodal Baseada em BERTAprendizado profundo↔ compare
- Embeddings de SentençasAprendizado profundo↔ compare
- Vision TransformerAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →