タグ
#画像言語モデルの記事一覧
1件の記事があります。
マルチモーダル
CLIPとは？画像と文章を同じ空間で比較し、追加学習なしで分類や画像検索に使う技術
CLIPは画像と文章の対応を対照学習し、自然言語で分類対象を指定できる技術です。2つのエンコーダ、双方向の損失、プロンプトの役割と原論文の実験条件から、画像検索や分類の開発へのヒントと限界を解説します。
参照論文：Learning Transferable Visual Models From Natural Language Supervision