多模态视觉大模型的架构

Terrence Shen

于 2025-02-27 16:27:59 发布

阅读量227

点赞数 6

文章标签：深度学习人工智能 nlp 机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_42001184/article/details/145905350

版权

多模态

类型1：输入与输出模态不同
类型2：多模态输入
类型3：多模态输出

在这里插入图片描述

多模态网络的要素

在这里插入图片描述

参考文献： Awais M, Naseer M, Khan S, et al. Foundational models defining a new era in vision: A survey and outlook. arXiv, 2023.

CLIP（Contrastive Language-Image Pre-training）

在这里插入图片描述

参考文献：Radford A, Kim J W, Hallacy C, et al. Learning transferable visual models from natural language supervision. ICML, 2021.

GLIP（Grounded Language-image pre-training）

在这里插入图片描述

Flamingo

在这里插入图片描述

参考文献： Alayrac J B, Donahue J, Luc P, et al. Flamingo: a visual language model for few-shot learning. NIPS, 2022.

多模态视觉对话效果：
在这里插入图片描述

LLaVA

网络结构：
在这里插入图片描述
参考文献：Liu H, Li C, Wu Q, et al. Visual instruction tuning. arXiv, 2023.

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

Terrence Shen 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。