सार्थक दृश्य प्रतिनिधित्व सीखने के लिए टेक्स्ट-कंडीशन्ड JEPA
मूल शीर्षक:Text-Conditional JEPA for Learning Semantically Rich Visual Representations
AI सारांश
शोधकर्ताओं ने टेक्स्ट-कंडीशन्ड संयुक्त एम्बेडिंग पूर्वानुमान आर्किटेक्चर (TC-JEPA) प्रस्तावित किया है, जो छवि विवरण टेक्स्ट को शर्त सूचना के रूप में पेश करके मास्क्ड फीचर पूर्वानुमान में दृश्य अनिश्चितता को कम करता है। यह विधि सूक्ष्म-स्तरीय टेक्स्ट मॉड्यूलेटर अपनाती है, जो इनपुट टेक्स्ट टोकन पर विरल क्रॉस-अटेंशन की गणना करके पूर्वानुमानित छवि पैच फीचर को मॉड्यूलेट करती है। मास्क्ड फीचर पूर्वानुमान आधारित I-JEPA की तुलना में, TC-JEPA अधिक सार्थक दृश्य प्रतिनिधित्व सीख सकता है, जो मूल विधि में दृश्य अनिश्चितता के कारण सार्थक सीखने की कमी की समस्या का समाधान करता है।
मुख्य जानकारी
- शोधकर्ताओं ने टेक्स्ट-कंडीशन्ड संयुक्त एम्बेडिंग पूर्वानुमान आर्किटेक्चर (TC-JEPA) प्रस्तावित किया…
- जो इनपुट टेक्स्ट टोकन पर विरल क्रॉस-अटेंशन की गणना करके पूर्वानुमानित छवि पैच फीचर को मॉड्यूलेट…
- TC-JEPA अधिक सार्थक दृश्य प्रतिनिधित्व सीख सकता है,जो मूल विधि में दृश्य अनिश्चितता के कारण सार्थक…
एक नज़र में
- प्रकाशन समय
- अपडेट समय
- श्रेणी
- पेपर और शोध
- AI स्कोर
- 69
Apple 这篇 TC-JEPA 把文本融入自监督视觉预训练,用稀疏交叉注意力减少预测不确定性,对多模态表征学习是个不错的思路补充,做视觉模型的值得一看。
स्रोत और कॉपीराइट
यह लेख AIHOT के सार्वजनिक API की चयनित सुर्खियों और AI सारांशों के आधार पर तैयार किया गया है, स्रोत का उल्लेख और लिंक दिया गया है; मूल पाठ का कॉपीराइट मूल मीडिया और लेखक के पास है, यह साइट पूरा पाठ मिरर नहीं करती।
उद्धरण कैसे दें
इस लेख का उद्धरण देते समय शीर्षक, तिथि और स्थायी लिंक बनाए रखें और स्रोत Orange News बताएं।
Orange News: सार्थक दृश्य प्रतिनिधित्व सीखने के लिए टेक्स्ट-कंडीशन्ड JEPA। 7 मई 2026। https://new.nat6.net/hi/news/cmovtn194006zslcxkg4a1yti/