| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 概述 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 本文的章节安排 | 第12-13页 |
| 2 相关算法与理论基础 | 第13-27页 |
| 2.1 深度学习与神经网络 | 第13-17页 |
| 2.1.1 机器学习 | 第13页 |
| 2.1.2 深度学习 | 第13-16页 |
| 2.1.3 卷积神经网络 | 第16-17页 |
| 2.2 递归循环神经网络 | 第17-20页 |
| 2.2.1 RNN | 第17-18页 |
| 2.2.2 LSTM | 第18-19页 |
| 2.2.3 GRU | 第19-20页 |
| 2.3 跨模态问答 | 第20-23页 |
| 2.4 检测与识别 | 第23-25页 |
| 2.4.1 传统检测方法 | 第23-24页 |
| 2.4.2 深度检测方法 | 第24-25页 |
| 2.5 度量学习 | 第25-27页 |
| 3 基于文本与图像的视觉问答 | 第27-36页 |
| 3.1 问题提出 | 第27页 |
| 3.2 跨模态视觉问答网络 | 第27-29页 |
| 3.2.1 网络模型总体框架 | 第27-28页 |
| 3.2.2 图像特征提取 | 第28-29页 |
| 3.3 空间离散余弦哈希（Spatial-DCTHash）卷积层 | 第29-32页 |
| 3.3.1 空间离散余弦哈希（Spatial-DCTHash）卷积层构建 | 第29-31页 |
| 3.3.2 前向传播过程 | 第31页 |
| 3.3.3 后向传播梯度计算过程 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-36页 |
| 3.4.1 实验数据集与实验设置 | 第32-33页 |
| 3.4.2 COCOqa数据集实验结果与分析 | 第33-34页 |
| 3.4.3 MSCOCO-VQA数据集实验结果与分析 | 第34-35页 |
| 3.4.4 实验结果展示 | 第35-36页 |
| 4 基于包含文字图像的跨模态检索 | 第36-53页 |
| 4.1 问题提出 | 第36-37页 |
| 4.2 数据集采集 | 第37-40页 |
| 4.2.1 数据采集 | 第37页 |
| 4.2.2 数据标注与清洗 | 第37-39页 |
| 4.2.3 数据增强 | 第39-40页 |
| 4.3 跨模态招牌检索算法 | 第40-48页 |
| 4.3.1 招牌检索算法框架 | 第41-42页 |
| 4.3.2 CMR-Net图像网络 | 第42-45页 |
| 4.3.3 CMR-Net文本网络 | 第45-47页 |
| 4.3.4 目标函数 | 第47-48页 |
| 4.4 实验与结果分析 | 第48-53页 |
| 4.4.1 实验数据设置 | 第48页 |
| 4.4.2 图像网络训练设置 | 第48-49页 |
| 4.4.3 文本网络训练设置 | 第49-50页 |
| 4.4.4 实验环境与对比算法 | 第50-51页 |
| 4.4.5 实验结果数据 | 第51-52页 |
| 4.4.6 实验结果展示 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60-64页 |
| 附录1 数据集中杭州80条街道 | 第60-61页 |
| 附录2 数据集图片部分示例（已裁剪） | 第61-63页 |
| 附录3 中文招牌店铺GPS坐标分布 | 第63-64页 |
| 致谢 | 第64-66页 |
| 在读期间公开发表论文（著）及科研情况 | 第66页 |
