ScholarGate
Trợ lý

So sánh phương pháp

Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.

Tóm tắt văn bản đa phương thức×Transformer Đa phương thức×
Lĩnh vựcHọc sâuHọc sâu
HọMachine learningMachine learning
Năm ra đời20182019–2021
Người khởi xướngZhu et al. (pioneering MSMO framework)Lu et al. (ViLBERT); Radford et al. (CLIP)
LoạiGenerative / extractive NLP with visual inputCross-modal attention-based deep learning model
Công trình gốcZhu, J., Li, H., Liu, T., Zhou, Y., Zhang, J., & Zong, C. (2018). MSMO: Multimodal Summarization with Multimodal Output. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing (EMNLP), 4154–4164. link ↗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 ↗
Tên gọi khácMMS, multimodal summarization, cross-modal summarization, vision-language summarizationmultimodal attention model, cross-modal transformer, vision-language transformer, multi-modal fusion transformer
Liên quan55
Tóm tắtMultimodal text summarization generates a concise textual summary by jointly processing multiple input modalities — most commonly text and images, but also video frames or audio — using deep learning models that align visual and linguistic representations. The output is a natural-language summary that captures salient content from all available modalities.A Multimodal Transformer extends the standard Transformer architecture to process and jointly reason over two or more input modalities — most commonly text and images, but also audio, video, or structured data. Cross-modal attention layers allow information from one modality to inform representations in another, enabling tasks such as visual question answering, image captioning, and multimodal sentiment analysis.
ScholarGateBộ dữ liệu
  1. v1
  2. 2 Nguồn tài liệu
  3. PUBLISHED
  1. v1
  2. 2 Nguồn tài liệu
  3. PUBLISHED

Đến trang tìm kiếm Tải xuống bản trình chiếu

ScholarGateSo sánh phương pháp: Multimodal Text Summarization · Multimodal Transformer. Truy cập ngày 2026-06-17 từ https://scholargate.app/vi/compare