Multimodálne spracovanie prirodzeného jazyka – porozumenie obrazu a jazyka
Multimodálne spracovanie prirodzeného jazyka (NLP) je súbor metód, ktoré kombinujú text s jednou alebo viacerými ďalšími dátovými modalitami – najčastejšie s obrázkami, ale aj so zvukom a videom – na vykonávanie úloh porozumenia a generovania, ako je vizuálne zodpovedanie otázok, popisovanie obrázkov a multimodálne rozpoznávanie sentimentu. Táto oblasť získala svoju modernú podobu s modelom CLIP (Radford et al., 2021) a odvtedy sa rozvíjala prostredníctvom architektúr ako BLIP-2 (Li et al., 2023), ktoré prepojujú zmrazené obrazové enkodéry a veľké jazykové modely.
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., 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). Multimodal Natural Language Processing. ScholarGate. https://scholargate.app/sk/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.
- Mechanizmus pozornostiHlboké učenie↔ compare
- Vložené reprezentácie BERTDolovanie textu↔ compare
- Analýza sentimentuDolovanie textu↔ compare
- Vision TransformerHlboké učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →