ESsEN: Training Compact Discriminative Vision-Language Transformers in a Low-Resource Setting
تقدم هذه الورقة البحثية نموذج ESsEN، وهو محول رؤية ولغة ثنائي البرج، مدمج وفعال من حيث عدد المعلمات، يستفيد من الشبكات الالتفافية التقليدية ويُظهر أداءً فائقًا في بيئات الموارد المنخفضة مقارنة بالنماذج الأكبر حجمًا.