weixin_43867850的博客

1.对其文本和图像（隐式）2.在image caption数据集上对visual bert进行预训练并用于四种视觉和语言任务二、介绍1.旨在捕获图像和相关文本中的丰富语义2.两种预训练：mask和文本图像是否匹配（这里可以再想一些其他的预训练的方式，例如下一个词的预训练）三、相关工作1.大多是为特定任务而设计的，而vb是通用的2.理解图像中描绘的语义3.各家的与训练方式不相同bert maskvideobert 图文配对vilbert 图文有分离，参数翻倍四、模型1.bert

我们常常因为自己信息获取的不够充分，而无法完全且真实的了解世界