@进行中{gwinnup-etal-2023增强,title=“使用对象标签增强视频翻译上下文”,author=“Gwinnup、Jeremy和安德森、蒂姆和Ore、Brian和Hansen、Eric和哇,凯文”,editor=“Salesky、Elizabeth和费德里科、马塞洛和Carpuat,海军陆战队”,booktitle=“第20届国际口语翻译大会论文集(IWSLT 2023)”,月=七月,年=“2023”,address=“加拿大多伦多(当面和在线)”,publisher=“计算语言学协会”,url=“https://aclantology.org/2023.iwslt-1.8”,doi=“10.18653/v1/2023.iwslt-1.8”,pages=“130--137”,abstract=“我们提出了一种简单而有效的方法,通过在相应的视频片段中使用检测到的对象的标签来增强训练文本,从而提高在多模态语料库上训练的机器翻译模型的质量。然后,我们测试了标签增强在基线和双自动语音识别(ASR)中的效果条件。与融合视觉和文本特征的多模态技术相比,我们的模块化方法易于实现,结果更易于解释。与使用基线和增强标签训练的Transformer翻译体系结构进行了比较,结果表明,在How2数据集上,BLEU提高了+1.0。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“gwinnup-etal-2023-增强型”><标题信息><title>使用对象标签增强视频翻译上下文</titleInfo><name type=“个人”>杰里米Gwinnup<角色>作者</角色></name><name type=“个人”>蒂姆安德森<角色>作者</角色></name><name type=“个人”>布莱恩矿石<角色>作者</角色></name><name type=“个人”>埃里克汉森<角色>作者</角色></name><name type=“个人”><namePart type=“给定”>Kevin</namePart><namePart type=“family”>Duh</namePart><角色>作者</角色></name><originInfo>发布日期:2023-07发布日期:</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第20届国际口语翻译大会(IWSLT 2023)会议记录</titleInfo><name type=“个人”>伊丽莎白Salesky公司<角色>编辑器</角色></name><name type=“个人”>马塞洛费德里科<角色>编辑器</角色></name><name type=“个人”><namePart type=“given”>海洋</namePart><namePart type=“family”>卡普瓦特</namePart><角色>编辑器</角色></name><originInfo>计算语言学协会<位置>加拿大多伦多(同人和在线)</place></originInfo>会议出版物</relatedItem><摘要>我们提出了一种简单而有效的方法,通过在相应的视频片段中使用检测到的对象的标签来增强训练文本,从而提高在多模态语料库上训练的机器翻译模型的质量。然后我们在基线和两种自动语音识别(ASR)条件下测试标签增强的效果。与融合视觉和文本特征的多模态技术相比,我们的模块化方法易于实现,结果更易于解释。与使用基线和增强标签训练的Transformer翻译体系结构进行了比较,结果表明,在How2数据集上,BLEU提高了+1.0</摘要>gwinnup-etal-2023-增强10.18653/v1/2023.iwslt-1.8<位置><网址>https://aclantology.org/2023.iwslt-1.8</url></位置><部分>2023-07年<扩展单元=“page”><开始>130<end>137</end></范围></部分></mods></modsCollection>
%0会议记录%用对象标签增强视频翻译上下文%杰里米,Gwinnup%蒂姆·安德森%布莱恩,A Ore%埃里克·汉森%阿杜,凯文%Y Salesky,伊丽莎白%Y Federico,马塞洛%Y Carpuat,海军%第20届国际口语翻译会议(IWSLT 2023)%D 2023年%7月8日%计算语言学协会%C加拿大多伦多(同人和在线)%F gwinnup-etal-2023增强%我们提出了一种简单而有效的方法,通过在相应的视频片段中使用检测到的对象的标签来增强训练文本,从而提高在多模态语料库上训练的机器翻译模型的质量。然后我们在基线和两种自动语音识别(ASR)条件下测试标签增强的效果。与融合视觉和文本特征的多模态技术相比,我们的模块化方法易于实现,结果更易于解释。与使用基线和增强标签训练的Transformer翻译体系结构进行了比较,结果表明,在How2数据集上,BLEU提高了+1.0。%R10.18653/v1/2023.iwslt-1.8%U型https://aclantology.org/2023.iwslt-1.8%U型https://doi.org/10.18653/v1/2023.iwslt-1.8%电话130-137
降价(非正式)
[使用对象标签增强视频翻译上下文](https://aclcollectory.org/2023.iwslt-1.8)(Gwinnup等人,IWSLT 2023)
国际计算语言学协会
- Jeremy Gwinnup、Tim Anderson、Brian Ore、Eric Hansen和Kevin Duh。2023使用对象标签增强视频翻译上下文.英寸第20届国际口语翻译大会(IWSLT 2023)会议记录,第130-137页,加拿大多伦多(同人和在线)。计算语言学协会。