Uczenie wspólnych embeddingów obrazów i podpisów na parach obraz–tekst; pozwala klasyfikować i wyszukiwać obrazy opisem słownym bez dodatkowego treningu (zero-shot).
Learning joint embeddings of images and captions from image–text pairs; enables zero-shot classification and image search by text description.
To uczenie modelu, żeby pasujące zdjęcie i opis miały podobny zapis liczbowy.
This trains a model to give matching images and descriptions similar numerical representations.
Chcesz wyszukać zdjęcia opisem, choć nikt wcześniej nie nadał im takich podpisów.
You want to search photos with a description even though nobody has given them those captions.
Model ćwiczy zbliżanie zapisów pasujących par i oddalanie niepasujących, tworząc wspólną mapę obrazów i słów.
A model learns to bring matching pairs closer and separate mismatches, creating a shared map of images and words.
W archiwum zdjęć wpisujesz „pies biegnący po śniegu” i otrzymujesz podobne sceny.
You search a photo archive for “dog running through snow” and receive matching scenes.