Multimodálne vety vloženia
Multimodálne vety vloženia mapujú text a obrázky (a niekedy aj zvuk alebo video) do zdieľaného spojitého vektorového priestoru tak, aby sémanticky príbuzné páry z rôznych modalít pristáli blízko seba. Trénované kontrastnými cieľmi na rozsiahlych párových korpusoch, tieto reprezentácie poháňajú krížovo-modálne vyhľadávanie, klasifikáciu s nulovým počtom príkladov a uvažovanie v oblasti videnia a jazyka.
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. In Proceedings of the 38th International Conference on Machine Learning (ICML), pp. 8748–8763. PMLR. link ↗
- Frome, A., Corrado, G. S., Shlens, J., Bengio, S., Dean, J., Ranzato, M., & Mikolov, T. (2013). DeViSE: A deep visual-semantic embedding model. In Advances in Neural Information Processing Systems (NeurIPS), Vol. 26. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Multimodal Sentence Embeddings (Joint Vision-Language Representation Learning). ScholarGate. https://scholargate.app/sk/deep-learning/multimodal-sentence-embeddings
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.
Compare side by side →Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →