26年WP统计学 基于多模态深度学习的图像与文本联合实现跨模态检索11.65-AI14.11_1全日(17396字).docx

IWHKJ 大学本科毕业论文摘 要CLIP 通过对比学习，将图像与文本映射到统一语义空间，具备强大的零样本泛化能力，无需针对特定任务微调即可迁移到各种下游视觉任务。这一特性使其广泛应用于跨模态图文检索、图像分类、目标检测等领域，显著降低了对标注数据的依赖。将 CLIP 模型在实际数据集上迁移运用，针对特定数据集训练部署模型进而实现快速准确的图文检索具有重要的实际应用价值。本文围绕多模态深度学习方法，首先搭建 CLIP 双编码器网络结构，使用 Vision Transformer 作为图像编码器，普通的 Transformer 作为文本编码器；然后，在开源数据集上进行数...