Flerspråkig Vision Transformer
Flerspråkig Vision Transformer (Multilingual ViT) utökar Vision Transformer-arkitekturen för att fungera över flera språk, vilket möjliggör bildförståelse och bild-text-resonemang i flerspråkiga eller korsspråkliga miljöer. Den kombinerar patch-baserad bildkodning med flerspråkiga textrepresentationer, vilket gör att en enda modell kan betjäna olika språkliga samhällen för uppgifter som bildtextning, visuell frågesvar och korsspråklig bildåtergivning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR 2021). link ↗
- Bugliarello, E., Liu, F., Pfeiffer, J., Reddy, S., Elliott, D., Erdem, E., Erdem, A., & Lukasiewicz, T. (2022). IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages. International Conference on Machine Learning (ICML 2022). link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Multilingual Vision Transformer (Multilingual ViT). ScholarGate. https://scholargate.app/sv/deep-learning/multilingual-vision-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.
- Multilingual RoBERTa-baserad klassificeringDjupinlärning↔ compare
- Flerspråkiga meningsinbäddningarDjupinlärning↔ compare
- Multimodal Vision TransformerDjupinlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →