《表3 双流结构和单流结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多模态视觉语言表征学习研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于输入的文本特征向量和视觉特征向量，有两种方式进行融合:一种是文本特征和视觉特征拼接，然后接一个自动编码器进行融合；另外一种就是分别对文本特征和视觉特征进行独立编码，然后通过交叉注意力机制实现不同模态信息的融合.具体见表3.