Learning Transferable Visual Models From Natural Language Supervision

Bu makale, CLIP (Contrastive Language-Image Pre-training) modelini tanıtıyor. CLIP, metin açıklamalarıyla eşleşen görüntüleri öğrenmek için büyük miktarda görüntü ve metin verisi kullanarak eğitilmiş bir sinir ağıdır. Bu sayede CLIP, sıfır atış (zero-shot) öğrenme yeteneği sayesinde, daha önce görmediği görüntüleri sınıflandırabilir ve farklı görsel görevlerde kullanılabilir. Modelin başarısı, geniş veri setleri ve dil ile görüntü arasındaki ilişkiyi anlama yeteneğine dayanmaktadır.