Multimodálny Transformer
Multimodálny Transformer rozširuje štandardnú architektúru Transformeru na spracovanie a spoločné uvažovanie nad dvoma alebo viacerými vstupnými modalitami – najčastejšie textom a obrázkami, ale aj zvukom, videom alebo štruktúrovanými údajmi. Vrstvy krížovej pozornosti umožňujú informáciám z jednej modality ovplyvňovať reprezentácie v inej, čo umožňuje úlohy ako vizuálne odpovedanie na otázky, generovanie popisov obrázkov a multimodálna analýza sentimentu.
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.
+15 more
Zdroje
- Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
- 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. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/sk/deep-learning/multimodal-transformer
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.
- Klasifikácia založená na BERTHlboké učenie↔ compare
- Klasifikácia obrazuHlboké učenie↔ compare
- Multimodálna klasifikácia založená na BERTHlboké učenie↔ compare
- Vektorové reprezentácie vietHlboké učenie↔ compare
- Vision TransformerHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →