Multimodal Image Classification
Multimodalna klasifikacija slika proširuje standardnu vizuelnu klasifikaciju uključivanjem dodatnih modaliteta — kao što su tekstualni opisi, zvuk ili strukturirani metapodaci — uz slike. Odvojeni enkoderi obrađuju svaki modalitet, njihove reprezentacije se spajaju, a zajednički klasifikator dodeljuje ciljnu oznaku. Modeli poput CLIP-a pokazuju da usklađivanje slike i teksta omogućava zero-shot i few-shot klasifikaciju slika u velikom obimu.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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, 8748–8763. link ↗
- Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., & Ng, A. Y. (2011). Multimodal deep learning. Proceedings of the 28th International Conference on Machine Learning (ICML), 689–696. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal Image Classification (Vision + Auxiliary Modality Fusion). ScholarGate. https://scholargate.app/sr/deep-learning/multimodal-image-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.
- Fino podešena klasifikacija slikaDuboko učenje↔ compare
- Класификација сликаDuboko učenje↔ compare
- Multimodalna klasifikacija zasnovana na BERT-uDuboko učenje↔ compare
- Multimodalna detekcija objekataDuboko učenje↔ compare
- Multimodalne ugrađene rečeniceDuboko učenje↔ compare
- Multimodalni TransformerDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →