Learning Transferable Visual Models From Natural Language Supervision: differenze tra le versioni

Da Wiki AI.
VisualeWikitesto
 
Nessun oggetto della modifica
 
(Una versione intermedia di un altro utente non mostrate)
Riga 1: Riga 1:
Titolo: [[Titolo::Learning Transferable Visual Models From Natural Language Supervision]]
{{template pubblicazione
|data=2021
|autori=Alec Radford, Jong Wook Kim, Chris Hallacy, A. Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, Gretchen Krueger, I. Sutskever
|URL=https://www.semanticscholar.org/paper/6f870f7f02a8c59c3e23f407f3ef00dd1dcf8fc4
|topic=I modelli di AI possono apprendere a comprendere e interpretare immagini utilizzando descrizioni fornite in linguaggio naturale, invece che attraverso delle tradizionali etichette
|citazioni=17491
}}


Anno di pubblicazione: [[AnnoDiPubblicazione::2021]]
Questo articolo dimostra che i sistemi di visione artificiale possono essere addestrati a prevedere quale didascalia si abbina a quale immagine. Questo semplice compito di pre-addestramento si rivela un modo efficiente e scalabile per apprendere le rappresentazioni delle immagini da zero. Dopo il pre-addestramento, il linguaggio naturale viene utilizzato per fare riferimento a concetti visivi appresi (o per descriverne di nuovi) consentendo il trasferimento zero-shot del modello ad attività a valle.
 
Autori:  [[Autori::Alec Radford]]; [[Autori::Jong Wook Kim]]; [[Autori::Chris Hallacy]]; [[Autori::Aditya Ramesh]]; [[Autori::Gabriel Goh]]; [[Autori::Sandhini Agarwal]]; [[Autori::Girish Sastry]]; [[Autori::Amanda Askell]]; [[Autori::Pamela Mishkin]]; [[Autori::Jack Clark]]; [[Autori::Gretchen Krueger]]; [[Autori::
Ilya Sutskever]];
 
URL: [[URL::https://arxiv.org/pdf/2103.00020.pdf]]
 
Topic: [[Topic::I modelli di AI possono apprendere a comprendere e interpretare immagini utilizzando descrizioni fornite in linguaggio naturale, invece che attraverso delle tradizionali etichette]]
 
__SHOWFACTBOX__

Versione attuale delle 10:51, 17 ago 2024

Learning Transferable Visual Models From Natural Language Supervision
Data 2021
Autori Alec Radford, Jong Wook Kim, Chris Hallacy, A. Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, Gretchen Krueger, I. Sutskever
URL https://www.semanticscholar.org/paper/6f870f7f02a8c59c3e23f407f3ef00dd1dcf8fc4
Topic I modelli di AI possono apprendere a comprendere e interpretare immagini utilizzando descrizioni fornite in linguaggio naturale, invece che attraverso delle tradizionali etichette
Citazioni 17491


Questo articolo dimostra che i sistemi di visione artificiale possono essere addestrati a prevedere quale didascalia si abbina a quale immagine. Questo semplice compito di pre-addestramento si rivela un modo efficiente e scalabile per apprendere le rappresentazioni delle immagini da zero. Dopo il pre-addestramento, il linguaggio naturale viene utilizzato per fare riferimento a concetti visivi appresi (o per descriverne di nuovi) consentendo il trasferimento zero-shot del modello ad attività a valle.

Estratto da "https://wiki.mindmaker.it/index.php?title=Learning_Transferable_Visual_Models_From_Natural_Language_Supervision&oldid=2534"