| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 国内外研究现状及分析 | 第16-21页 |
| 1.3 本文的研究内容与组织结构 | 第21-25页 |
| 1.3.1 本文的研究内容及成果 | 第21-22页 |
| 1.3.2 本文的组织结构 | 第22-25页 |
| 第二章 无监督深度学习 | 第25-36页 |
| 2.1 无监督深度学习算法的基本组件 | 第25-30页 |
| 2.1.1 自编码器 | 第25-27页 |
| 2.1.2 受限玻尔兹曼机 | 第27-30页 |
| 2.2 使用基本组件构建深层模型 | 第30-33页 |
| 2.2.1 基于自编码器的深层模型 | 第31-32页 |
| 2.2.2 基于RBM的深层模型 | 第32-33页 |
| 2.3 深度学习应用于建模多模态数据 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于自编码器的跨模态检索模型 | 第36-47页 |
| 3.1 对应自编码器(Correspondence Autoencoder) | 第36-38页 |
| 3.2 深层结构 | 第38-40页 |
| 3.3 实验 | 第40-46页 |
| 3.3.1 数据集与特征抽取 | 第40-42页 |
| 3.3.2 性能评价标准 | 第42-43页 |
| 3.3.3 基准模型 | 第43-44页 |
| 3.3.4 模型参数设置 | 第44页 |
| 3.3.5 实验结果及分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于Corr-AE的跨模态检索模型 | 第47-67页 |
| 4.1 重构多模态的Corr-AE | 第47-50页 |
| 4.1.1 对应跨模态自编码器(Correspondence Cross-modal Autoencoder) | 第47-49页 |
| 4.1.2 对应全模态自编码器(Correspondence Full-modal Autoencoder) | 第49-50页 |
| 4.2 重构单模态的Corr-AE | 第50-52页 |
| 4.2.1 对应图像自编码器(Correspondence Image Autoencoder) | 第50-51页 |
| 4.2.2 对应文本自编码器(Correspondence Text Autoencoder) | 第51-52页 |
| 4.3 实验 | 第52-66页 |
| 4.3.1 实验设置 | 第52-53页 |
| 4.3.2 实验结果及分析 | 第53-63页 |
| 4.3.2.1 重构多模态Corr-AE与基准模型的对比 | 第53-59页 |
| 4.3.2.2 重构单模态的Corr-AE与重构多模态的Corr-AE的对比 | 第59-63页 |
| 4.3.3 参数α的分析 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 基于受限玻尔兹曼机的跨模态检索模型 | 第67-87页 |
| 5.1 对应受限玻尔兹曼机(Correspondence RBM) | 第67-69页 |
| 5.2 深层结构 | 第69-71页 |
| 5.2.1 对应深度信念网(Correspondence DBN) | 第70页 |
| 5.2.2 栈式对应受限玻尔兹曼机(Stacked Corr-RBMs) | 第70-71页 |
| 5.3 实验 | 第71-85页 |
| 5.3.1 数据集与特征抽取 | 第72-73页 |
| 5.3.2 性能评价标准 | 第73页 |
| 5.3.3 基准模型和实现细节 | 第73-74页 |
| 5.3.4 实验结果及分析 | 第74-82页 |
| 5.3.5 两种深层结构的对比分析 | 第82-85页 |
| 5.3.6 计算时间 | 第85页 |
| 5.4 本章小结 | 第85-87页 |
| 第六章 跨模态检索演示系统 | 第87-97页 |
| 6.1 系统设计概要 | 第87-88页 |
| 6.2 模块设计与实现 | 第88-93页 |
| 6.2.1 网络爬虫 | 第89-90页 |
| 6.2.2 输入特征抽取 | 第90-93页 |
| 6.2.3 检索特征抽取 | 第93页 |
| 6.2.4 数据库 | 第93页 |
| 6.2.5 相似检索 | 第93页 |
| 6.3 系统演示 | 第93-95页 |
| 6.4 本章小结 | 第95-97页 |
| 第七章 总结与展望 | 第97-100页 |
| 7.1 本文工作总结 | 第97-98页 |
| 7.2 下一步研究展望 | 第98-100页 |
| 7.2.1 关于单模态表示学习模块 | 第98页 |
| 7.2.2 关于关联学习的层次 | 第98-99页 |
| 7.2.3 关于更多模态的数据 | 第99-100页 |
| 参考文献 | 第100-111页 |
| 附录缩略词表 | 第111-113页 |
| 致谢 | 第113-115页 |
| 攻读学位期间完成的论文和参加的科研项目 | 第115-116页 |
