vision-and-language

本文介绍了“Vokenization”，这是一种多模态学习技术，通过利用弱监督将视觉数据与语言标记联系起来，从而架起计算机视觉与自然语言处理之间的桥梁。文章将其与 GPT-3 和 BERT 等纯文本模型进行了对比，强调了视觉定位如何提升语言理解能力。