multimodal model | BriefGPT

关键词multimodal model

搜索结果 - 46

MMCommerceMM: 基于全检索的大规模商业多模态表示学习
CommerceMM 是一种多模态模型，其具备多种理解商业主题的能力，并能够推广到广泛的任务范围，包括多模态分类、图像 - 文本检索、查询 - 产品检索、图像 - 产品检索等。它使用预训练的方式，在图像 - 文本对上完成了 5 个有效的预训
PDF2 years ago
AAAI使用预训练单模型进行 SIMMC 2.0 的多模态交互
本文介绍了我们在 Dialog State Tracking Challenge 10 上进行的 Situated Interactive MultiModal Conversations 2.0 挑战中的工作和方法，提出了一种结合图像和文
PDF3 years ago
从时间维度出发：多模态自我中心动作识别
利用时间上下文提高了自我中心视频识别能力的基于转换器的多模态模型。
PDF3 years ago
EMNLPWhyAct: 生活视频中的行动原因识别
本文介绍一种利用视频和文本信息来自动识别在线视频中人类行为原因的多模态模型，并基于手动注释数据集 WhyAct，研究了流行的生活方式视频类型。
PDF3 years ago
AAAI视觉对话的模态平衡模型
该论文探讨了通过使用图像和对话背景信息生成下一步回答的视觉对话任务。因为一些对话问题只需要看图像，没有历史对话背景的信息，因此先前的联合模式变得依赖和容易陷入对话历史的记忆中，相比之下，仅使用图像的模型更具有普适性，并且在 NDCG 指标上
PDF4 years ago
多模态循环神经网络（m-RNN）实现的深度字幕生成
本文提出了一种基于多模态循环神经网络的模型，用于生成图像标题，并在四个基准数据集上验证了该模型的有效性。
PDF10 years ago