ترجمه فارسی مقاله تعمیم دامنه مقاوم برای تشخیص شیء چندوجهی

چکیده

In multi-label classification, machine learning encounters the challenge of domain generalization when handling tasks with distributions differing from the training data. Existing approaches primarily focus on vision object recognition and neglect the integration of natural language. Recent advancements in vision-language pre-training leverage supervision from extensive visual-language pairs, enabling learning across diverse domains and enhancing recognition in multi-modal scenarios. However, these approaches face limitations in loss function utilization, generality across backbones, and class-aware visual fusion. This paper proposes solutions to these limitations by inferring the actual loss, broadening evaluations to larger vision-language backbones, and introducing Mixup-CLIPood, which incorporates a novel mix-up loss for enhanced class-aware visual fusion. Our method demonstrates superior performance in domain generalization across multiple datasets.

چکیده به فارسی (ترجمه ماشینی)

در طبقه بندی چند برچسب ، یادگیری ماشین هنگام انجام وظایف با توزیع های متفاوت از داده های آموزش ، با چالش تعمیم دامنه روبرو می شود.رویکردهای موجود در درجه اول بر شناخت شیء بینایی متمرکز شده و از ادغام زبان طبیعی غفلت می کنند.پیشرفت های اخیر در نظارت بر اهرم قبل از آموزش چشم انداز از جفت های گسترده به زبان بصری ، امکان یادگیری در حوزه های متنوع و تقویت شناخت در سناریوهای چند منظوره.با این حال ، این رویکردها با محدودیت در استفاده از عملکرد از دست دادن ، کلی بودن در ستون فقرات و همجوشی بصری آگاه کلاس روبرو هستند.در این مقاله با استنباط از دست دادن واقعی ، گسترش ارزیابی به ستون فقرات بزرگتر به زبان و معرفی مخلوط کردن مخلوط ، راه حل هایی برای این محدودیت ها ارائه می دهد ، که شامل یک از دست دادن مخلوط جدید برای همجوشی بصری پیشرفته کلاس است.روش ما عملکرد برتر در تعمیم دامنه در چندین مجموعه داده را نشان می دهد.