Le tamoul est une langue dravidienne couramment utilisée et parlée dans la région sud de l’Asie. À l’ère des réseaux sociaux, les memes sont devenus des moments de divertissement intégrés au quotidien des individus. Dans cette étude, nous cherchons à analyser le sens véritable des memes tamouls en les catégorisant en deux types : troll et non troll. Nous proposons un modèle original basé sur une architecture transformer-transformer, conçu pour atteindre des performances de pointe en faisant de l’attention son composant central. Le jeu de données comprend des images classées comme troll ou non troll, accompagnées de légendes textuelles. Il s’agit d’une tâche de classification binaire. L’objectif du modèle est de porter une attention accrue aux caractéristiques extraites tout en ignorant le bruit présent à la fois dans les images et dans le texte.