Multimodálna klasifikácia obrazu
Multimodálna klasifikácia obrazu rozširuje štandardnú vizuálnu klasifikáciu o začlenenie dodatočných modalít – ako sú textové popisky, zvuk alebo štruktúrované metadata – popri obrazových rysoch. Samostatné enkodéry spracúvajú každú modalitu, ich reprezentácie sa spoja a spoločný klasifikátor priradí cieľový štítok. Modely ako CLIP demonštrujú, že zarovnanie obrazu a textu umožňuje klasifikáciu obrazu v režime zero-shot a few-shot vo veľkom meradle.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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, 8748–8763. link ↗
- 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), 689–696. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/sk/deep-learning/multimodal-image-classification
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.
- Dolaďovanie klasifikácie obrazuHlboké učenie↔ compare
- Klasifikácia obrazuHlboké učenie↔ compare
- Multimodálna klasifikácia založená na BERTHlboké učenie↔ compare
- Multimodálna detekcia objektovHlboké učenie↔ compare
- Multimodálne vety vloženiaHlboké učenie↔ compare
- Multimodálny TransformerHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →