マルチモーダル翻訳

画像キャプション生成

画像のコンテンツを記述するテキスト説明を自動生成する技術。コンピュータビジョンと自然言語処理を組み合わせる。現代のモデルはCNNやViTエンコーダーとトランスフォーマーデコーダーを使用する。

← 戻る