Image processing 什么是新颖的对象字幕？为什么MS-COCO中的8个类被排除在本任务之外？

我正在使用图像字幕，但我很难准确理解术语

新对象字幕

。这是不是我们在句子描述对上训练了一个模型，然后应用到一个包含训练过程中从未出现过的对象的数据集？这是我从学校读到的。在导言中还指出：

现有最先进的字幕模型无法 形成集成新对象的合成结构 使用已知概念，但没有明确的意象句子对示例。为了解决这一限制，我们建议 深层合成字幕（DCC），它可以结合词汇单位的视觉基础，生成字幕语料库（成对图像句子数据）中不存在但存在于对象中的对象的描述 识别数据集（未配对图像数据）和文本语料库 （未配对的文本数据）

他们提到了大约8类MS-COCO被排除在

新对象字幕中，但我并不真正理解这一步的意义

要确保排除的对象
至少与一些包含的相似，我们将80
MSCOCO分割挑战中注释的对象
使用描述的word2vec嵌入中的向量
在第3.4节中，从每个簇中排除一个对象。这个
选择下列词语：“瓶子”、“公共汽车”、“沙发”、“微波炉”、“比萨饼”、“球拍”、“手提箱”和“斑马”

关于第二个问题，我在这里补充，但希望得到更深入的解释：

评估我们的方法执行域外图像的能力
在说明中，我们复制了现有的实验设计（Hendricks et
等人，2016年）使用MSCOCO。按照这种方法，所有图像都具有
说明八个选定对象之一（或其名称）的标题
同义词）从图像标题训练集中排除。这
将标题训练集的大小从82783个图像减少到
70194张图片。但是，完整的字幕训练集是标记化的
每幅图像包含一袋文字，并作为图像标签培训提供
数据。因此，选定对象在图像标题中不可见
训练数据，但不是图像标记训练数据。被排除在外的
对象，由Hendricks等人（2016）从80个主要对象中选择
MSCOCO中的类别包括：“瓶子”、“公共汽车”、“沙发”、“微波炉”，
“比萨饼”、“球拍”、“手提箱”和“斑马”

那么现在，我该如何理解
域外图像字幕
？这与
新颖的图像字幕
相同吗

有图像字幕经验的人能帮我澄清这些问题吗？谢谢你的帮助