この論文では、マルチモーダル情報を組み合わせて画像を検索する問題に焦点を当て、大規模なデータセットからトレーニング用のデータセットを自動的に構築するスケーラブルなパイプラインを導入します。Transformerベースの適応的集約モデルTransAggも提案され、異なるモダリティから情報を適応的に統合します。提案手法は既存の最先端モデルと比較して優れた性能を示し、ゼロショット状況での評価でも有効性が証明されました。
他の言語に翻訳
原文コンテンツから
arxiv.org
抽出されたキーインサイト
by Yikun Liu,Ji... 場所 arxiv.org 03-07-2024
深掘り質問
目次
ゼロショット構成テキスト画像検索
Zero-shot Composed Text-Image Retrieval
他の分野への応用は可能か?
反対意見
画像とテキスト間で完全な理解が可能か?
ツール&リソース
AI PDFサマライザーで正確なサマリーとキーインサイトを取得