复合现象在梵语中无处不在。它用于表达思想的简洁性，同时丰富语言的词汇和结构形成。在这项工作中，我们专注于梵语复合类型标识（SACTI）任务，在其中我们考虑了识别复合词组件之间语义关系的问题。早期的方法仅依赖于从组件获得的词汇信息，而忽略最关键的上下文和句法信息，对SACTI有用。但是，SACTI任务主要是由于化合物组件之间隐式编码的上下文敏感语义关系。因此，我们提出了一种新颖的多任务学习体系结构，该体系结构结合了上下文信息，并使用形态标记和依赖性解析作为两个辅助任务来丰富互补的句法信息。与最新系统相比，SACTI基准数据集上的实验显示了6.1分（准确性）和7.7点（F1得分）绝对增益。此外，我们的多语言实验证明了拟议的架构在英语和马拉地语中的功效。代码和数据集可在https://github.com/ashishgupta2598/sacti上公开获得。
translated by 谷歌翻译
图像检索是计算机视觉中的一个利基问题，该问题策划了使用查询在数据库中查找类似图像的问题。在这项工作中，我们首次采用了测试时间培训技术来适应通用跨域检索（UCDR）下的分配变化。先前已证明测试时间训练可减少图像分类，域适应性，语义分割和基于零绘制草图的图像检索（ZS-SBIR）的概括误差。在UCDR中，除了ZS-SBIR中存在的未知类别的语义转移外，未知域的存在还会导致更高的分布变化。为了弥合此域间隙，我们通过3种不同的损失使用自我划分 - Barlow Twins，拼图拼图和ROTNET在测试时间预审计的网络上。这种简单的方法可改善UCDR基准测试，并在具有挑战性的跨数据集泛化设置下改善模型鲁棒性。
translated by 谷歌翻译