マルチモーダルの解釈可能性

視覚言語グラウンディング

言語シンボル（単語、フレーズ）を視覚データ内の具体的なエンティティや概念に固定するプロセス。テキストと画像を結びつけるモデルの説明が意味的に正しく、理解可能であるために不可欠。

← 戻る