Multimodal NLP
Multimodal NLP is a family of natural-language-processing pipelines that combine text with one or more additional data modalities — most commonly images, but also audio and video — to perform understanding and generation tasks such as visual question answering, image captioning, and multimodal sentiment recognition. The field gained its modern form with CLIP (Radford et al., 2021) and has since advanced through architectures such as BLIP-2 (Li et al., 2023) that bridge frozen image encoders and large language models.
Regjistri burimor
Citimet kopjuar fjalë për fjalë nga regjistri burimor i metodës. Asnjë verifikim në nivel pretendimi nuk nënkuptohet prej tyre.
- 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. · URL
- 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. · URL
Pretendime të kuruaruara
Pretendimet e ruajtura në librin e dëshmive, secili me vlerësimin e vet.
Ky pamje nuk shpik një vlerësim pretendimi kur libri i dëshmive nuk ka asnjë.
Metoda të lidhura
Të gjeneruara nga grafiku metodologjik dhe të paraqitura si marrëdhënie të sugjeruara nga makina — asnjë pretendim dëshmie nuk nënkuptohet.