CLIP: テキストと画像を接続する
要約を読む要約を閉じる
OpenAIが自然言語から視覚概念を学習するニューラルネットワーク「CLIP」を発表しました。
GPTシリーズのように、視覚カテゴリ名を与えるだけでゼロショット分類が可能な点が技術的ポイントです。
画像認識タスクにおいて、事前学習なしで多様な分類が可能になり、開発効率が向上します。
これにより、特定のデータセットで学習することなく、新しい視覚概念を認識できるようになります。
例えば、「犬」というテキストを与えれば、様々な犬の画像を分類できます。