Transformator Multimodal
Një Transformator Multimodal shtrin arkitekturën standarde të Transformatorit për të përpunuar dhe arsyetuar në mënyrë të përbashkët mbi dy ose më shumë modalitete hyrëse — më së shpeshti tekst dhe imazhe, por edhe audio, video ose të dhëna të strukturuara. Shtresat e vëmendjes ndër-modale lejojnë që informacioni nga një modalitet të informojë përfaqësimet në një tjetër, duke mundësuar detyra të tilla si përgjigjja e pyetjeve vizuale, titrimi i imazheve dhe analiza multimodale e ndjenjave.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/sq/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.
- Klasifikimi i bazuar në BERTMësimi i thellë↔ compare
- Klasifikimi i imazheveMësimi i thellë↔ compare
- Klasifikimi i bazuar në BERT multimodalMësimi i thellë↔ compare
- Embërtimet e fjaliveMësimi i thellë↔ compare
- Vision TransformerMësimi i thellë↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →