GLOSSARY

clip

画像と文章を同じ空間に埋め込むモデルの名前

1本の論文題名に登場

定義

画像とテキストを共通の埋め込み空間に写す OpenAI の対照学習モデル。大量の画像とキャプションの対で、正しい組の類似度を上げ誤った組を下げるよう学習し、クラス名だけで分類できるゼロショット能力を示した。今は単体の分類器より、視覚言語モデルや画像生成の視覚エンコーダとして使われる。

固有名。画像↔言語の橋