ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Multimodal Transformer

En Multimodal Transformer utökar standardarkitekturen Transformer för att bearbeta och gemensamt resonera över två eller flera indatamodaliteter — oftast text och bilder, men även ljud, video eller strukturerad data. Korsmodalitets-uppmärksamhetslager (cross-modal attention layers) tillåter information från en modalitet att informera representationer i en annan, vilket möjliggör uppgifter som visuell frågesvar (visual question answering), bildtextning (image captioning) och multimodal sentimentanalys.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

+15 more

Källor

  1. 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 (NeurIPS), 32. link
  2. 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. link

Så citerar du den här sidan

ScholarGate. (2026, June 3). Multimodal Transformer (Cross-Modal Attention-Based Architecture). ScholarGate. https://scholargate.app/sv/deep-learning/multimodal-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.

Compare side by side

Refereras av

ScholarGateMultimodal Transformer (Multimodal Transformer (Cross-Modal Attention-Based Architecture)). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/multimodal-transformer · Datamängd: https://doi.org/10.5281/zenodo.20539026