マルチモーダルトランスフォーマー

BLIP

ノイズをフィルタリングしデータ品質を向上させるために疑似キャプションを生成するBootstrapping Language-Image Pre-trainingフレームワークで、マルチモーダルエンコーダーと画像-テキストデコーダーを使用する。

← 戻る