Multimodal Recurrent Neural Network
A Multimodal Recurrent Neural Network combines inputs from two or more data modalities — such as images, text, and audio — within a recurrent sequence-processing framework. It encodes each modality separately, fuses the representations, and then processes the combined signal through recurrent units (RNN, LSTM, or GRU) to generate or classify sequential outputs. This design made it a foundational approach in image captioning, video description, and audio-visual speech recognition.
Înregistrare sursă
Citările sunt copiate integral din înregistrarea sursă a metodei. Nu se inferă nicio verificare la nivel de afirmație din acestea.
- Vinyals, O., Toshev, A., Bengio, S., & Erhan, D. (2015). Show and Tell: A Neural Image Caption Generator. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3156–3164. · DOI 10.1109/CVPR.2015.7298935
- 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), pp. 689–696. · URL
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.