یک مقالهِ survey در ۱۰۲ صفحه راجع به Vision-Language Pre-training از مفاهیم اولیه تا پیشرفته و ترندهای آینده از مایکروسافت اومده که بینظیره اگه با مدلهای multimodal زبانی و vision کار میکنید. تکنیکهای مختلف مثل image-text وvideo-text و ... را پوشش میده.
https://arxiv.org/pdf/2210.09263


#machinelearning #deeplearning #artificialintelligence
#AI #LLM #ML #Machine_Learning

🆔 @Ai_Tv