Мультимодальные Трансформеры

ALBEF (Выравнивание перед Слиянием)

Модель видение-язык, использующая контрастное предварительное обучение для выравнивания текстовых и визуальных представлений перед их слиянием через со-внимательные слои Transformer, улучшая качество взаимодействия.

← Назад