Oct, 2017

OSU 多模式机器翻译系统报告

PDF
TL;DR本文介绍了俄勒冈州立大学参加 WMT'17 多模式翻译任务的系统，该任务的独特之处在于所有句子对都是不同语言中的图像标题，我们提出了一种简单而有效的方法，在编码和解码过程中将图片作为额外信息加入到机器翻译系统中，我们使用 Flickr30k 和 MSCOCO 数据集评估了系统在英法和英德翻译中的表现，并在 MSCOCO 数据集上实现了英德机器翻译的最佳 TER 性能。
multimodal translationimage captionsmachine translationperformancedatasets
发现论文，激发创造
  • WMT17 多模式翻译任务的 CUNI 系统

    本文描述了我们在 WMT17 多模态翻译任务中的提交内容，其中通过使用来自平行语料和回译的方法获取了额外的数据，建立了纯文本神经翻译模型进行多模态翻译，并使用最佳系统将英语字幕翻译为目标语言。我们还展示了一些未能有效提高翻译性能的负面结果。

    Jul, 2017

  • 多模机器翻译和多语言图像描述第二次共享任务的发现

    该论文介绍了针对多模态机器翻译和多语言图像描述的第二个共享任务的结果。该任务涉及新的法语语言和两个新的测试集，并改变了多语言图像描述任务的测试方式，只提供图像，即图像只描述。与去年相比，多模态系统得到了改进，但纯文本系统仍然具有竞争力。

    Oct, 2017

  • MeMAD 参加 WMT18 多模式翻译任务

    本文介绍了 MeMAD 项目进入 WMT 多模式机器翻译共享任务的情况，其中我们提出将 Transformer 神经机器翻译架构适应于多模式环境，并描述了我们在此选择之前对纯文本翻译系统的初步实验。我们拥有英语 - 德语和英语 - 法语两种语言的最高分数系统，在 flickr18 的自动指标中都得到了很好的表现。我们的实验表明，图像特征在我们的系统中作用不大，最大的收益来自于基于纯文本 NMT 系统的质量。我们发现适当地使用其他数据是有效的。

    Aug, 2018

  • LIUM-CVC 提交的 WMT18 多模式翻译任务

    本文介绍了由 LIUM 和 CVC 开发的多模态神经机器翻译系统，描述了他们在 WMT18 多模态翻译共享任务中提出的几种修改架构，以更好地整合卷积特征和使用编码器方面的信息来优化模型，最终在英法和英德语言对上以 METEOR 自动评估指标为参考，获得第一和第二名。

    Sep, 2018

  • 多模态对人类和机器在翻译和图像字幕中是否有帮助？

    本文介绍了 LIUM 和 CVC 为 WMT16 Multimodal Machine Translation Challenge 开发的系统。我们在单模态数据和多模态数据的基础上，探索了各种比较方法，包括基于短语的系统和使用单模态或多模态数据训练的注意力循环神经网络模型。我们还进行了人类评估，以估计多模态数据对于人机翻译和图像描述生成的实用性。根据自动评估指标 BLEU 和 METEOR，我们的系统在这两个任务中获得了最佳结果。

    May, 2016

  • LIUM-CVC 对 WMT17 多模态翻译任务的提交

    本文介绍了由 LIUM 和 CVC 开发的单模态和多模态神经机器翻译系统，其中探索了两种多模态架构，最终的系统根据自动评估指标 METEOR 和 BLEU 在 En-De 和 En-Fr 语言对中排名第一。

    Jul, 2017

  • 带有领域敏感的伪数据的健壮机器翻译：百度 - 俄勒冈州立大学 WMT19 MT 健壮性共享任务系统报告

    本文介绍了 Baidu 和 Oregon State University 在 WMT 2019 机器翻译鲁棒性共享任务中联合开发的机器翻译系统。通过使用领域敏感的训练方法和后翻译的伪噪声源句子生成平行数据集，与基线方法相比，在 En-Fr 和 Fr-En 翻译中都取得了超过 10 BLEU 提升。

    Jun, 2019

  • Naver Labs Europe WMT19 机器翻译鲁棒性任务系统

    本文介绍了我们在 WMT19 机器翻译鲁棒性任务中提交的系统，该任务旨在提高机器翻译对社交媒体中的噪声（如非正式语言和拼写错误）的稳健性。我们针对法语 - 英语和日语 - 英语两种翻译方向，提出了单一和集成系统，集成模型在所有语种中都排名第一。我们讨论了我们所做的预处理选择，并提出了我们对噪声和领域适应性鲁棒性的解决方案。

    Jul, 2019

  • 爱丁堡大学 WMT17 神经机器翻译系统

    该论文介绍爱丁堡大学参加 WMT17 共享新闻翻译和生物医学翻译任务的情况，使用了采用 Nematus 注意力编码器 - 解码器训练的神经机器翻译系统，并对层归一化、深度结构和不同的集成技术进行了广泛的实验。

    Aug, 2017

  • 无监督多模态神经机器翻译

    本研究提出了一种基于多模态机器翻译框架的无监督神经机器翻译方法，通过图像识别加强双向多模态翻译的学习效果，在 Multi30K 数据集上与传统基于文本的神经机器翻译相比，本方法有更好的实验结果。

    Nov, 2018