Программирование и анализ данных

Глубинное машинное обучение, нейросеть

Тема "unsupervised text-visual cross-modal retrieval". Желательно построить и обучить модель, которая сможет выполнять поиск изображений по текстовым запросам и текстов по запросу-изображению, но при этом не будет использовать во время обучения какие-либо данные о связи. То есть не будет использовать картинки с подписями, другие уже обученные модели, вообще никакую разметку. Я понимаю, что так может не получится, но тогда нужна хотя бы модель, которая сможет вместе с какой-то информацией о связи эффективно использовать картинки без подписей и голые тексты. К примеру, подойдет такой вариант. Модель обучается на 10 000 картинок с подписями и выдает какой-то результат в поиске. А потом ей дают еще 100 000 картинок без подписей и 100 000 голых текстов. Модель дообучается, и ее результат улучшается.