เปรียบเทียบวิธี

	การรู้จำสิ่งอ้างอิงจำเพาะหลายรูปแบบ	การจำแนกประเภทแบบหลายรูปแบบโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	2019
ผู้ริเริ่ม	Moon, S.; Lu, D. et al.	Kiela, D. et al.; Lu, J. et al.
ประเภท	Sequence labeling with multimodal fusion	Multimodal transformer classifier
แหล่งต้นตำรับ	Moon, S., Neves, L., & Carvalho, V. (2018). Multimodal Named Entity Recognition for Short Social Media Posts. Proceedings of NAACL-HLT 2018, pp. 852–860. Association for Computational Linguistics.	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	Multimodal NER, MNER, Visual NER, Cross-modal Named Entity Recognition	MMBT, multimodal transformer classification, BERT multimodal fusion, vision-language BERT classifier
ที่เกี่ยวข้อง	6	2
สรุป	Multimodal Named Entity Recognition (MNER) extends classical NER by fusing textual sequences with complementary modalities — most commonly images — to improve the identification and classification of named entities such as persons, organizations, and locations in settings where visual context disambiguates ambiguous or sparse text.	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.