M

M BERT Base ViT B

由M-CLIP開發
基於BERT-base-multilingual微調的多語言CLIP文本編碼器,支持69種語言與CLIP視覺編碼器對齊
下載量 3,376
發布時間 : 3/2/2022

模型概述

該模型通過微調BERT-base-multilingual,將69種語言的文本嵌入空間與ViT-B/32視覺編碼器配套的CLIP文本編碼器對齊,實現多語言視覺-語言理解能力。

模型特點

多語言支持
支持69種語言的文本嵌入與CLIP視覺空間對齊
跨模態對齊
通過線性投影將多語言BERT嵌入映射到CLIP視覺編碼器的共享空間
翻譯數據增強
使用GCC+MSCOCO+VizWiz組合數據翻譯生成多語言訓練集

模型能力

多語言文本嵌入
跨模態檢索
圖像-文本匹配
多語言視覺語義理解

使用案例

跨模態檢索
多語言圖像搜索
使用不同語言查詢檢索相關圖像
多語言內容理解
多語言圖像標註
為圖像生成多種語言的描述文本
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase