Multimodalno postavljanje pitanja
Multimodalno postavljanje pitanja (Multimodal QA) je klasa metoda dubokog učenja koje odgovaraju na pitanja postavljena prirodnim jezikom zajedničkim rezonovanjem nad informacijama iz više modaliteta — najčešće teksta i slika, ali takođe i videa, zvuka i strukturiranih tabela. Istaknuto predstavljeno kroz VQA benchmark 2015. godine, od tada se proširilo u široko istraživačko područje koje pokreće razumevanje dokumenata, pomoć u medicinskoj dijagnostici i ugrađena veštačka inteligencija.
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
- Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., & Parikh, D. (2015). VQA: Visual Question Answering. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2425–2433. DOI: 10.1109/ICCV.2015.279 ↗
- Xu, P., Zhu, X., & Clifton, D. A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. DOI: 10.1109/TPAMI.2023.3275156 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal Question Answering (Cross-Modal QA). ScholarGate. https://scholargate.app/sr/deep-learning/multimodal-question-answering
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.
- BERT-based ClassificationDuboko učenje↔ compare
- Multimodalna klasifikacija zasnovana na BERT-uDuboko učenje↔ compare
- Multimodalne ugrađene rečeniceDuboko učenje↔ compare
- Multimodalno sažimanje tekstaDuboko učenje↔ compare
- Multimodalni TransformerDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →