【视觉-语言导航-多模态Transformer】谷歌2021年最新提出-用于视觉-语言导航的多模态Transformer，Episodic Transformer

Episodic Transformer for Vision-and-Language Navigation

前言：

由Inria, 谷歌, 布朗大学2021年最新提出的Episodic Transformer，多模态Transformer网络，这是一种用于视觉-语言导航任务的多模态Transformer网络，在ALFRED基准上表现SOTA，而且代码开源！

Transformer微信交流群

我们建立了Transformer微信交流群，

关注公众号：菜鸡Ai

后台回复：加群

备注：学校|公司+昵称+方向 会有小哥哥拉你进群。

论文获取

公众号后台回复：ET

解决什么问题

本文着重解决两个的挑战：
1、处理长序列的子任务
2、理解复杂的人工指令。

方法及实现

1、提出了Episodic Transformer（E.T.），这是一种多模态Transformer，可对语言输入以及视觉观察和动作的完整历史记录进行编码。<