Machine learningDeep learning / NLP / CV

การจำแนกประเภทแบบหลายรูปแบบโดยใช้ BERT

การจำแนกประเภทแบบหลายรูปแบบโดยใช้ BERT เป็นการขยายสถาปัตยกรรม BERT transformer เพื่อเข้ารหัสและจำแนกข้อมูลจากหลายรูปแบบพร้อมกัน โดยทั่วไปคือข้อความที่จับคู่กับรูปภาพ โดยการหลอมรวมการแสดงแทนของข้อมูลเหล่านั้นก่อนที่จะส่งไปยังส่วนการจำแนกประเภทสุดท้าย โมเดลนี้ได้รับความนิยมอย่างเด่นชัดราวปี 2019 ผ่านโมเดลอย่าง MMBT และ ViLBERT และได้กลายเป็นแนวทางมาตรฐานสำหรับงานที่ทั้งข้อความหรือรูปภาพเพียงอย่างเดียวไม่สามารถให้ข้อมูลเพียงพอสำหรับการติดป้ายกำกับที่ถูกต้องได้

เปิดใน MethodMindเร็ว ๆ นี้วิดีโอเร็ว ๆ นี้Download slides

อ่านวิธีฉบับเต็ม

สำหรับสมาชิกเท่านั้น

เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้

เข้าสู่ระบบ

Method map

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

+8 more

แหล่งอ้างอิง

  1. Kiela, D., Bhooshan, S., Firooz, H., Perez, E., & Testuggine, D. (2019). Supervised multimodal bitransformers for classifying images and text. arXiv preprint arXiv:1909.02950. link
  2. 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, 32. link

วิธีอ้างอิงหน้านี้

ScholarGate. (2026, June 3). Multimodal BERT-based Classification (Transformer Fusion of Text and Non-text Modalities). ScholarGate. https://scholargate.app/th/deep-learning/multimodal-bert-based-classification

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

ถูกอ้างอิงโดย

ScholarGateMultimodal BERT-based Classification (Multimodal BERT-based Classification (Transformer Fusion of Text and Non-text Modalities)). สืบค้นเมื่อ 2026-06-15 จาก https://scholargate.app/th/deep-learning/multimodal-bert-based-classification · ชุดข้อมูล: https://doi.org/10.5281/zenodo.20539026