Transformer Multimodal
Un Transformer multimodal extinde arhitectura standard Transformer pentru a procesa și a raționa în mod combinat peste două sau mai multe modalități de intrare — cel mai frecvent text și imagini, dar și audio, video sau date structurate. Straturile de atenție cross-modal permit informațiilor dintr-o modalitate să informeze reprezentările dintr-o alta, permițând sarcini precum răspunsul la întrebări vizuale, generarea de legende pentru imagini și analiza multimodală a sentimentelor.
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.
+15 more
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/ro/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.
- Clasificare bazată pe BERTÎnvățare profundă↔ compare
- Clasificarea ImaginilorÎnvățare profundă↔ compare
- Clasificare multimodală bazată pe BERTÎnvățare profundă↔ compare
- Embeddings de propozițiiÎnvățare profundă↔ compare
- Vision TransformerÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →