Мультимодальные трансформеры

BridgeTower

Архитектура, вводящая «мосты» между унимодальными энкодерами для облегчения глубокого взаимодействия между модальностями, оптимизирующая обмен информацией между текстом и изображением на различных уровнях.

← Назад