CLIP — Pre-antrenarea contrastivă limbaj-imagine
CLIP (Contrastive Language-Image Pretraining) este un model viziune-limbaj introdus de Radford et al. la OpenAI în 2021, care învață în mod conjoint reprezentări aliniate de imagini și text prin antrenarea pe 400 de milioane de perechi imagine-text din surse de pe internet, utilizând un obiectiv contrastiv, permițând transferul zero-shot către sarcini de clasificare a imaginilor fără nicio ajustare fină specifică sarcinii.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning, PMLR 139, 8748–8763. link ↗
- Radford, A., et al. (2021). Learning Transferable Visual Models From Natural Language Supervision. arXiv:2103.00020. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-262-03561-3
Cum se citează această pagină
ScholarGate. (2026, June 3). Contrastive Language-Image Pretraining. ScholarGate. https://scholargate.app/ro/deep-learning/clip
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.
- ResNet (Rețea Reziduală)Învățare profundă↔ compare
- Vision TransformerÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →