NLP multimodal — Înțelegere viziune-limbaj
NLP multimodal este o familie de fluxuri de procesare a limbajului natural care combină textul cu una sau mai multe modalități suplimentare de date — cel mai frecvent imagini, dar și audio și video — pentru a efectua sarcini de înțelegere și generare, cum ar fi răspunsul vizual la întrebări, generarea de descrieri pentru imagini și recunoașterea multimodală a sentimentelor. Domeniul și-a căpătat forma modernă odată cu CLIP (Radford et al., 2021) și de atunci a avansat prin arhitecturi precum BLIP-2 (Li et al., 2023) care pun în legătură codificatoare de imagini înghețate și modele lingvistice mari.
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., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the 38th International Conference on Machine Learning (ICML), 8748–8763. link ↗
- Li, J., Li, D., Savarese, S., & Hoi, S. (2023). BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models. Proceedings of the 40th International Conference on Machine Learning (ICML), 19730–19742. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Multimodal Natural Language Processing. ScholarGate. https://scholargate.app/ro/text-mining/multimodal-nlp
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.
- Mecanismul de atențieÎnvățare profundă↔ compare
- Embeddings BERTMineritul textelor↔ compare
- Analiza sentimentelorMineritul textelor↔ compare
- Vision TransformerÎnvățare profundă↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →