CLIP เป็นโมเดลที่ถูกนำเสนอโดยผู้เขียน ซึ่งมีความสามารถในการเชื่อมโยงระหว่างข้อความและภาพเข้าด้วยกัน
ในส่วนของข้อมูลอ้างอิง มีการกล่าวถึงงานวิจัยก่อนหน้าและชุดข้อมูลที่ใช้ในการทดสอบ รวมถึงการอ้างอิงถึงข้อจำกัดของชุดข้อมูลบางประเภท
เชิงอรรถ
มีการเปรียบเทียบกับงานวิจัยก่อนหน้า เช่น โมเดลของ Microsoft ปี 2015 และการใช้ชุดข้อมูล FairFace ในการทดลอง
เอกสารอ้างอิง
มีการอ้างอิงถึงงานวิจัยที่เกี่ยวข้องกับ CNNs และการรับรู้ของโครงข่ายประสาทเทียมต่อรูปแบบของภาพ
ผู้เขียน
รายชื่อผู้เขียนบทความนี้คือ Alec Radford, Ilya Sutskever, Jong Wook Kim, Gretchen Krueger, และ Sandhini Agarwal
กิตติกรรมประกาศ
ผู้เขียนได้กล่าวขอบคุณผู้ให้ข้อเสนอแนะและผู้ที่ช่วยตรวจสอบโค้ดในการทำงานนี้
ศัพท์ที่ควรรู้
- CLIP – โมเดลที่สามารถเชื่อมโยงข้อมูลระหว่างข้อความและภาพ
- ImageNet – ชุดข้อมูลภาพขนาดใหญ่ที่ใช้ในการฝึกฝนโมเดล
- Zero-shot OCR – ความสามารถในการรู้จำตัวอักษรจากภาพโดยไม่ต้องมีการฝึกฝนเฉพาะเจาะจง
- FairFace – ชุดข้อมูลภาพใบหน้าที่มีการจำแนกตามอายุ เพศ และเชื้อชาติ
ที่มา: OpenAI