| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于模板的图像描述 | 第10-11页 |
| 1.2.2 基于检索的图像描述 | 第11-12页 |
| 1.2.3 基于神经网络的图像描述 | 第12-13页 |
| 1.3 图像描述方法面临的挑战 | 第13-14页 |
| 1.4 本文的主要研究内容 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-17页 |
| 2 基于卷积神经网络的图像特征提取 | 第17-24页 |
| 2.1 卷积神经网络简介 | 第17-20页 |
| 2.1.1 卷积层 | 第17-18页 |
| 2.1.2 ReLu（Rectified Linear Units）层 | 第18-19页 |
| 2.1.3 池化层 | 第19-20页 |
| 2.1.4 全连接层 | 第20页 |
| 2.2 常用的卷积神经网络介绍 | 第20-22页 |
| 2.2.1 AlexNet | 第20-21页 |
| 2.2.2 VggNet | 第21-22页 |
| 2.2.3 GoogleNet | 第22页 |
| 2.3 caffe深度学习框架 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 图像描述自动生成算法 | 第24-39页 |
| 3.1 描述文本处理模型 | 第24-31页 |
| 3.1.1 长短期记忆网络 | 第24-27页 |
| 3.1.2 基于计划取样的双向长短期记忆网络模型（BLSTM-S） | 第27-28页 |
| 3.1.3 模型激励函数和分类函数的选择 | 第28-29页 |
| 3.1.4 模型的训练─反向传播算法 | 第29-31页 |
| 3.2 模型取样 | 第31-34页 |
| 3.2.1 传统取样方法 | 第31-32页 |
| 3.2.2 改进的计划取样方法 | 第32-34页 |
| 3.3 模型中使用的训练和测试优化技术 | 第34-38页 |
| 3.3.1 rmsprop算法 | 第34-35页 |
| 3.3.2 L2规范化 | 第35页 |
| 3.3.3 dropout技术 | 第35-36页 |
| 3.3.4 动量方法 | 第36-37页 |
| 3.3.5 集束搜索技术 | 第37-38页 |
| 3.4 图像描述自动生成 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 实验过程及结果分析 | 第39-55页 |
| 4.1 实验数据集 | 第39-42页 |
| 4.1.1 实验数据集介绍 | 第39-40页 |
| 4.1.2 实验数据预处理 | 第40-42页 |
| 4.2 实验过程 | 第42-47页 |
| 4.2.1 训练过程 | 第43-45页 |
| 4.2.2 测试过程 | 第45-47页 |
| 4.3 实验结果分析 | 第47-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 论文研究总结 | 第55-56页 |
| 5.2 研究展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61页 |
| A. 作者在攻读硕士学位期间发表的论文题目 | 第61页 |
| B. 作者在攻读硕士学位期间发表的专利 | 第61页 |