Selekcja par obraz–tekst z puli webowej według podobieństwa embeddingów, reguł i klasyfikatorów, mierzona jakością wytrenowanego modelu.
Selecting image–text pairs from a web pool by embedding similarity, rules and classifiers, judged by the quality of the trained model.
Odsiewanie z internetu par zdjęcie–podpis, w których podpis nie pasuje do obrazka albo obrazek jest bezwartościowy.
Weeding out web photo–caption pairs where the caption does not match the picture or the picture is worthless.
Miliardy zdjęć z sieci mają podpisy w stylu nazwy pliku lub reklamy, więc model kojarzy słowa z niewłaściwymi obrazami.
Billions of web photos have captions like file names or ads, so a model links words to the wrong pictures.
Inny model ocenia, czy słowa i obraz mówią o tym samym, a do nauki trafia tylko najlepiej dopasowana część.
Another model scores whether the words and the image talk about the same thing, and only the best-matched share is kept.
Zdjęcie psa podpisane „IMG_2041.jpg” wylatuje ze zbioru, a to samo zdjęcie z podpisem „pies na plaży” zostaje.
A dog photo captioned “IMG_2041.jpg” is dropped, while the same photo captioned “a dog on the beach” stays.