vision encoder
画像を読み取り、特徴を抽出して別の処理に渡す部品。画像そのものではなく、重要な手がかりを表す数値データに変える役割を持つ。
たとえば: 書類をスキャンして検索しやすいデータにするスキャナー係。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- マルチモーダル模型の「視覚エンコーダ」は何を担っているのかを切り分ける
視覚エンコーダが暗黙に束ねる要素を分解し、同一データと計算量を揃えた統制比較で影響を検証。視覚の事前学習よりも専用の視覚容量と配置が重要だと示唆する。
