オープンボキャブラリーアクション認識のロバスト性を再考する

ユーザーが提供するクラステキストに誤りが含まれる場合でも、視覚情報と言語情報を組み合わせることで、クラステキストを効果的に修正し、オープンボキャブラリーアクション認識の精度を向上させることができる。