ViTA: Visuell-sprachliche Übersetzung durch Ausrichtung von Objektmarkierungen

Multimodale maschinelle Übersetzung (MMT) bereichert den Quelltext durch visuelle Informationen für die Übersetzung. In den letzten Jahren hat dieses Feld an Bedeutung gewonnen, und mehrere Pipeline-Ansätze wurden in diese Richtung vorgeschlagen. Dennoch fehlen der Aufgabe qualitativ hochwertige Datensätze, die den Beitrag der visuellen Modalität in Übersetzungssystemen verdeutlichen könnten. In diesem Paper präsentieren wir unser System unter dem Teamnamen Volta für die multimodale Übersetzungs-Aufgabe des WAT 2021 von Englisch nach Hindi. Zudem nehmen wir an der rein textbasierten Teilaufgabe für dasselbe Sprachpaar teil, wobei wir mBART, ein vortrainiertes mehrsprachiges sequenz-zu-Sequenz-Modell, verwenden. Für die multimodale Übersetzung schlagen wir vor, die textuelle Eingabe durch die Transformation visueller Informationen in den textuellen Domänen zu verbessern, indem wir Objektbezeichnungen aus dem Bild extrahieren. Außerdem untersuchen wir die Robustheit unseres Systems systematisch durch die Degradierung der Quelltexteingabe. Schließlich erreichen wir auf dem Testset und dem Challenge-Set der multimodalen Aufgabe BLEU-Scores von 44,6 und 51,6.