Multimodalna klasifikacija zasnovana na BERT-u
Multimodalna klasifikacija zasnovana na BERT-u proširuje BERT transformer arhitekturu za zajedničko kodiranje i klasifikaciju podataka iz više modaliteta — najčešće teksta uparenog sa slikama — spajanjem njihovih reprezentacija pre završne klasifikacione glave. Istaknuto predstavljena oko 2019. godine kroz modele kao što su MMBT i ViLBERT, postala je standardni pristup za zadatke gde ni sam tekst ni sama slika ne nose dovoljno informacija za tačno etiketiranje.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Izvori
- Kiela, D., Bhooshan, S., Firooz, H., Perez, E., & Testuggine, D. (2019). Supervised multimodal bitransformers for classifying images and text. arXiv preprint arXiv:1909.02950. link ↗
- 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, 32. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal BERT-based Classification (Transformer Fusion of Text and Non-text Modalities). ScholarGate. https://scholargate.app/sr/deep-learning/multimodal-bert-based-classification
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.
- CLIPDuboko učenje↔ compare
- Vision TransformerDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →