深度之眼多模態(tài)實戰(zhàn)班
特征提取：
視覺的提取，大多用的是Faster R-CNN：
1.1 直接提取視覺向量；
1.2 進行目標(biāo)檢測，輸出bounding box和對應(yīng)位置；
1.3 進行目標(biāo)檢測，提取類別特征。
潛在問題：提取的信息有冗余和噪音，對下游任務(wù)有益的視覺信息沒有被有效提取，和對應(yīng)的文本信息有語義鴻溝，不好做視覺-文本對齊等。文本一般會用BERT或者Roberta做初始化，大規(guī)模訓(xùn)練集會從頭開始訓(xùn)練。
Early fusion：特征提取后，一般是直接concat，進入transformer；
Late fusion：特征提取后，模態(tài)內(nèi)部再進行深度學(xué)習(xí)，再做模態(tài)交互。
標(biāo)簽：
