बहु-मोडल ट्रांसफॉर्मर्स

GIT

जेनरेटिव इमेज-टू-टेक्स्ट ट्रांसफॉर्मर मॉडल जो इमेज को एक विदेशी भाषा के रूप में मानता है और इमेज कैप्शनिंग और VQA के लिए एक सरल एनकोडर-डिकोडर आर्किटेक्चर का उपयोग करता है, स्टेट-ऑफ-द-आर्ट प्रदर्शन के साथ।

← पीछे