« Architecture à vecteurs sémantiques joints » : différence entre les versions

Dernière version du 18 avril 2026 à 11:30

Définition

Architecture ou modèle prédictif qui apprend en créant une représentation sémantique interne (espace latent) du monde extérieur permettant la comparaison de représentations abstraites.

L'AVSJ offre de bonnes performances dans la réalisation de plusieurs tâches particulièrement en vision artificielle.

Compléments

L'architecture à vecteurs sémantiques joints pour les images (APVSJ-I), proposée par la société Meta, serait plus efficace en termes de calcul que d'autres modèles courants de vision artificielle et s'adapterait plus facilement à des situations inconnues.

Français

architecture / modèle à vecteurs sémantiques joints

AVSJ

architecture prédictive à vecteurs sémantiques joints pour les images

APVSJ-I

modèle prédictif à vecteurs sémantiques joints pour les images

modèle prédictif à plongements joints pour les images (Attention au mot plongement)

APPJ-I

Anglais

joint embedding predictive architecture

JEPA

image joint embedding predictive architecture

I-JEPA

Architecture or model that learns by creating an internal semantic representation (latent feature space) of the external world, enabling the comparison of abstract representations of images. APPVSJ-I performs well in a number of computer vision tasks.

Español

arquitectura de predicción vectorial semántica conjunta para imágenes

Arquitectura o modelo que aprende creando una representación semántica interna (espacio latente) del mundo externo, lo que permite comparar representaciones abstractas de imágenes. El APPVSJ-I obtiene buenos resultados en varias tareas de visión por ordenador.

Sources

Source : meta

Source: developpez.com

Source: INRIA 101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »

@@ Ligne 30 : / Ligne 30 : @@
 '''I-JEPA'''
-<!--Learns by creating an internal model of the outside world, which compares abstract representations of images (rather than comparing the pixels themselves). I-JEPA delivers strong performance on multiple computer vision tasks, and it’s much more computationally efficient than other widely used computer vision models. The representations learned by I-JEPA can also be used for many different applications without needing extensive fine tuning.-->
+Architecture or model that learns by creating an internal semantic representation (latent feature space) of the external world, enabling the comparison of abstract representations of images. APPVSJ-I performs well in a number of computer vision tasks.
 ==Español==

« Architecture à vecteurs sémantiques joints » : différence entre les versions