PAPER 컴퓨터 비전 · 비전-언어 모델
CLIP: 자연어가 이미지 분류기의 라벨 공간이 되다
웹에서 모은 4억 쌍의 (이미지, 텍스트)로 이미지 인코더와 텍스트 인코더를 대조 학습해, 배치 내 올바른 짝을 맞히는 사전학습만으로 임의의 분류 태스크를 프롬프트로 제로샷 수행한다. ImageNet 제로샷 76.2%로 지도학습 ResNet-50과 대등하며, 분포 이동 강건성에서 지도 모델을 압도한다.
#CLIP
0 articles · 1 analyses (1 au total)
PAPER