本文仅用于学术分享，编辑浪道，版权属于原作者，若有侵权，请联系删除。
来源丨AI干货知识库
本文对视觉-语言（VL）智能按时间顺序进行了全面调研，并将这一领域的发展总结为三个阶段：
第一个阶段是-年，其间，专门的模型被设计用于不同的任务。第二个时代是-年，在此期间，通过使用有着高质量标签的VL数据集进行预训练，神经网络模型能够学习视觉和语言的联合表征。最后，随着年CLIP的出现，第三个时代开始了，此时研究人员寻求在更大的弱标签数据集上预训练VL模型，并通过VL预训练获得性能强大的基于零样本或少样本的视觉模型。
我们相信这篇综述将有助于人工智能（AI）和机器学习（ML）的研究人员和实践者，特别是那些对计算机视觉和自然语言处理感兴趣的人。
论文
转载请注明：http://www.0431gb208.com/sjslczl/387.html
