เปรียบเทียบวิธี

	โครงข่ายประสาทเทียมคอนโวลูชันหลายรูปแบบ	การจำแนกประเภทแบบหลายรูปแบบโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2011	2019
ผู้ริเริ่ม	Ngiam, J. et al. / multiple groups	Kiela, D. et al.; Lu, J. et al.
ประเภท	Multimodal deep learning model	Multimodal transformer classifier
แหล่งต้นตำรับ	Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., & Ng, A. Y. (2011). Multimodal deep learning. In Proceedings of the 28th International Conference on Machine Learning (ICML), 689–696.	Kiela, D., Bhooshan, S., Firooz, H., Perez, E., & Testuggine, D. (2019). Supervised multimodal bitransformers for classifying images and text. arXiv preprint arXiv:1909.02950.
ชื่อเรียกอื่น	MM-CNN, multimodal CNN, multi-input CNN, cross-modal convolutional network	MMBT, multimodal transformer classification, BERT multimodal fusion, vision-language BERT classifier
ที่เกี่ยวข้อง	5	2
สรุป	A Multimodal Convolutional Neural Network (MM-CNN) processes and fuses two or more input modalities — such as images and text, or video and audio — through dedicated convolutional branches, learning a shared representation that captures complementary signals from each source. The fused representation drives a downstream task such as classification, regression, or retrieval.	Multimodal BERT-based classification extends the BERT transformer architecture to jointly encode and classify data from multiple modalities — most commonly text paired with images — by fusing their representations before a final classification head. Introduced prominently around 2019 through models such as MMBT and ViLBERT, it has become a standard approach for tasks where neither text nor image alone carries sufficient information for accurate labeling.