概要
画像と文章を同じ空間で結びつける、マルチモーダルの基礎モデル。
詳しい解説
CLIPは、が開発した、画像とそれを説明する文章を同じ空間で結びつけるモデルです。「この画像とこの文は合っているか」を判定でき、やの基礎部品として広く使われます。テキストで画像を検索・分類する技術の土台になりました。
💡 青い破線の用語にカーソルを合わせる(タップする)と、その場で簡単な説明が表示されます。
具体例・活用シーン
画像と言葉を結ぶ
「猫の写真」という文と猫画像を近くに配置し、テキストでの画像検索を可能にします。
関連用語
この説明に誤りや改善点を見つけましたか?
✏️ この説明を改善提案する