تتناول ورقة البحث تقدم عملية وصف الصور من خلال استخدام نماذج المحولات، مع تسليط الضوء بشكل خاص على أهمية آليات الانتباه في تحسين جودة الوصف الناتج. يقترح المؤلفون بنية مشفرة-مفككة للمحول مقترنة بشبكة عصبية تلافيفية لاستخراج الميزات من الصور. لتحسين غنى الوصف، يقدمون إطار تعلم جماعي جديد يستخدم آلية تصويت لاختيار الأوصاف بناءً على أعلى…