Multimodálne odpovedanie na otázky
Multimodálne odpovedanie na otázky (Multimodal QA) je trieda metód hlbokého učenia, ktoré odpovedajú na otázky v prirodzenom jazyku spoločným uvažovaním nad informáciami z viacerých modalít – najčastejšie textu a obrázkov, ale aj videa, zvuku a štruktúrovaných tabuliek. Vďaka prominentnému zavedeniu prostredníctvom benchmarku VQA v roku 2015 sa odvtedy rozšíril do širokej výskumnej oblasti poháňajúcej porozumenie dokumentov, asistenciu pri lekárskej diagnostike a vtelenú AI.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Mapa metód
Okolie príbuzných metód — vyberte uzol na preskúmanie.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/sk/deep-learning/multimodal-question-answering
Ktorá metóda?
Postavte túto metódu vedľa jej najbližších príbuzných a čítajte ich vedľa seba — knižnica vám knihy položí na stôl; voľba je na vás.
- Klasifikácia založená na BERTHlboké učenie↔ porovnať
- Multimodálna klasifikácia založená na BERTHlboké učenie↔ porovnať
- Multimodálne vety vloženiaHlboké učenie↔ porovnať
- Multimodálna sumarizácia textuHlboké učenie↔ porovnať
- Multimodálny TransformerHlboké učenie↔ porovnať
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →