【機械学習】テキストと画像を用いたカテゴリ予想

【概要】画像とテキストを用いたマルチモーダル分類のご相談。 ■やりたいこと ECサイトの画像とタイトルからカテゴリを予測 （テキストと画像でのカテゴリ予測（多クラス分類）） ■詳細 テキスト特徴量と画像特徴量を結合し、カテゴリを予測するニューラルネットを組みたいのですが、参考になるチュートリアルが見当たらず困っております。実現方法をご教示出来る方を探しております。 テキスト分類や画像分類は個々にはできており、それぞれbertとvgg16でモデル構築しました。フレームワークはpytorchを使用しております。