Automatic Image Tagging and Captioning Using Transformer-Based Vision-Language Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid expansion of visual data in sectors like healthcare, e-commerce, and social media increases the demand for efficient photo tagging and labelling systems. Many of the automatic photo tagging and labelling techniques in use today struggle with the complex relationships between visual content and natural language, which reduces their accuracy and scalability. Recent advances in transformerbased models, particularly Vision-Language Transformers (ViLT), have greatly simplified the interaction between images and textual claims. These models simultaneously handle visual and textual input using transformers. This improves feature extraction and semantic matching. This paper investigates the automated tagging and description of pictures using transformer-based vision-language models. Our proposed approach generates tags and descriptions for pictures that fit in their present context by combining modern vision transformers with language models. The system is made up of two main parts: a vision encoder that takes in a picture and pulls out visual features; and a text decoder that uses the extracted features to make useful subtitles or tags. We also present a multi-modal training approach that lets the model learn from both written and visual data at the same time. This makes it better at many real-world tasks. We did a lot of tests on standard datasets to show that our suggested model is much better than current ones at making subtitles and tags that are accurate, fluent, and relevant. The results show that transformer-based vision-language models can be used to automatically understand images and create material for a wide range of purposes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle