基于深度学习的图像描述模型的设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 与本课题有关的国内外研究状况 | 第9-11页 |
| 1.2.1 基于模板的方法 | 第9页 |
| 1.2.2 基于神经网络的方法 | 第9-11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 第2章 图像描述的关键技术分析 | 第12-21页 |
| 2.1 基于卷积神经网络的图像特征提取技术 | 第12-15页 |
| 2.1.1 卷积神经网络的基本结构 | 第12-14页 |
| 2.1.2 卷积神经网络基本工作原理 | 第14-15页 |
| 2.2 词向量表示技术 | 第15-16页 |
| 2.3 注意力机制技术 | 第16-18页 |
| 2.4 长短期记忆网络 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 图像描述模型的设计 | 第21-34页 |
| 3.1 图像描述模型概要设计 | 第21页 |
| 3.2 图像描述模型总体框架 | 第21-24页 |
| 3.2.1 目前主流图像描述模型总体框架 | 第21-23页 |
| 3.2.2 改进后图像描述模型总体框架 | 第23-24页 |
| 3.3 ENCODER模块详细设计 | 第24-27页 |
| 3.4 DECODER模块详细设计 | 第27-33页 |
| 3.4.1 多头空间注意力层 | 第28-31页 |
| 3.4.2 多头自注意力层 | 第31-32页 |
| 3.4.3 全连接前馈网络层 | 第32页 |
| 3.4.4 位置编码子模块 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 图像描述模型的实现 | 第34-47页 |
| 4.1 模型开发的软件环境 | 第34-35页 |
| 4.2 数据输入模块实现 | 第35-37页 |
| 4.3 ENCODER模块实现 | 第37-39页 |
| 4.4 DECODER模块实现 | 第39-44页 |
| 4.4.1 词编码和位置编码 | 第40-42页 |
| 4.4.2 多头注意力层 | 第42-43页 |
| 4.4.3 全连接前馈网络层 | 第43-44页 |
| 4.5 模块测试 | 第44-46页 |
| 4.5.1 数据输入模块测试 | 第44-45页 |
| 4.5.2 Encoder模块测试 | 第45页 |
| 4.5.3 Decoder模块测试 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 模型的训练与评估 | 第47-55页 |
| 5.1 模型训练细节 | 第47-49页 |
| 5.1.1 训练数据集设计与处理 | 第47-48页 |
| 5.1.2 模型训练相关参数 | 第48-49页 |
| 5.2 模型的评估与测试 | 第49-54页 |
| 5.2.1 评估与测试方案 | 第49页 |
| 5.2.2 评估指标 | 第49-52页 |
| 5.2.3 评估过程和结果 | 第52-53页 |
| 5.2.4 测试展示 | 第53-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 个人简历 | 第61页 |
