Clasificare multimodală a imaginilor
Clasificarea multimodală a imaginilor extinde clasificarea vizuală standard prin încorporarea de modalități suplimentare — cum ar fi descrieri textuale, audio sau metadate structurate — alături de caracteristicile imaginii. Codificatoare separate procesează fiecare modalitate, reprezentările lor sunt fuzionate, iar un clasificator comun atribuie eticheta țintă. Modele precum CLIP demonstrează că alinierea imagine-text permite clasificarea imaginilor zero-shot și few-shot la scară.
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., ... & 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/ro/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.
- Clasificarea imaginilor prin ajustare fină (fine-tuning)Învățare profundă↔ compare
- Clasificarea ImaginilorÎnvățare profundă↔ compare
- Clasificare multimodală bazată pe BERTÎnvățare profundă↔ compare
- Detecția multimodală de obiecteÎnvățare profundă↔ compare
- Embeddings multimodale de propozițiiÎnvățare profundă↔ compare
- Transformer MultimodalÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →