Multimodal question answering
Multimodal question answering (Multimodal QA) is a class of deep-learning methods that answer natural-language questions by jointly reasoning over information from multiple modalities — most commonly text and images, but also video, audio, and structured tables. Introduced prominently through the VQA benchmark in 2015, it has since expanded into a broad research area powering document understanding, medical diagnosis assistance, and embodied AI.
Înregistrare sursă
Citările sunt copiate integral din înregistrarea sursă a metodei. Nu se inferă nicio verificare la nivel de afirmație din acestea.
- 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
Afirmații curate
Afirmațiile sunt stocate în registrul dovezilor, fiecare cu propria evaluare.
Această vizualizare nu inventează o evaluare a afirmației dacă registrul nu conține una.
Metode conexe
Generate din graful metodelor și afișate ca relații sugerate automat — nu se inferă nicio afirmație de dovadă.