Răspuns la întrebări multimodal
Răspunsul la întrebări multimodal (Multimodal QA) este o clasă de metode de deep learning care răspund la întrebări în limbaj natural prin raționament combinat asupra informațiilor din multiple modalități — cel mai frecvent text și imagini, dar și video, audio și tabele structurate. Introdusă proeminent prin benchmark-ul VQA în 2015, a devenit de atunci o arie largă de cercetare care alimentează înțelegerea documentelor, asistența în diagnosticul medical și inteligența artificială întruchipată.
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
- Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., & Parikh, D. (2015). VQA: Visual Question Answering. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2425–2433. DOI: 10.1109/ICCV.2015.279 ↗
- Xu, P., Zhu, X., & Clifton, D. A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. DOI: 10.1109/TPAMI.2023.3275156 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/ro/deep-learning/multimodal-question-answering
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.
- Clasificare bazată pe BERTÎnvățare profundă↔ compare
- Clasificare multimodală bazată pe BERTÎnvățare profundă↔ compare
- Embeddings multimodale de propozițiiÎnvățare profundă↔ compare
- Sumarizare multimodală de textÎnvățare profundă↔ compare
- Transformer MultimodalÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →