| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 引言 | 第15-16页 |
| 1.2 共同空间学习算法概述 | 第16-20页 |
| 1.2.1 两种主要结构 | 第16-18页 |
| 1.2.2 主要算法介绍 | 第18-20页 |
| 1.3 本论文的主要研究工作和章节安排 | 第20-23页 |
| 第二章 共同空间学习算法和理论原理 | 第23-39页 |
| 2.1 共同空间学习中的典型相关分析算法 | 第23-31页 |
| 2.1.1 CCA和深度CCA | 第24-25页 |
| 2.1.2 MGCCA、GCCA和深度GCCA | 第25-28页 |
| 2.1.3 2D-CCA | 第28-31页 |
| 2.1.4 Tensor CCA | 第31页 |
| 2.2 共同空间学习中的深度学习 | 第31-38页 |
| 2.2.1 共同空间学习中的卷积神经网络 | 第31-34页 |
| 2.2.2 共同空间学习中的循环神经网络 | 第34-36页 |
| 2.2.3 典型损失函数 | 第36-38页 |
| 2.3 注意力模型 | 第38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 用于多模态数据检索的细粒度渐进注意力定位网络 | 第39-57页 |
| 3.1 FPAN的主体思想 | 第40-41页 |
| 3.2 注意力分配 | 第41-43页 |
| 3.3 细粒度注意力模型 | 第43-44页 |
| 3.3.1 多尺寸上下文信息 | 第43页 |
| 3.3.2 注意力图集成 | 第43-44页 |
| 3.4 级联上采样模块 | 第44-46页 |
| 3.4.1 注意力金字塔 | 第44-45页 |
| 3.4.2 自上而下的级联上采样 | 第45-46页 |
| 3.5 多任务学习与损失函数 | 第46-47页 |
| 3.6 实验 | 第47-54页 |
| 3.6.1 数字检索 | 第48-51页 |
| 3.6.2 物体跟踪 | 第51-54页 |
| 3.7 本章小结 | 第54-57页 |
| 第四章 共同空间学习中的多模态数据不平衡问题研究 | 第57-69页 |
| 4.1 基于多信息融合的不平衡数据混合采样算法 | 第58-63页 |
| 4.1.1 Boosting模型定义样本子集 | 第58-60页 |
| 4.1.2 信息融合以及混合采样 | 第60-62页 |
| 4.1.3 算法流程细则 | 第62-63页 |
| 4.2 实验 | 第63-67页 |
| 4.3 本章小结 | 第67-69页 |
| 第五章 用于细粒度共同空间学习的注意力对齐多模态LSTM | 第69-89页 |
| 5.1 注意力对齐模型 | 第71-74页 |
| 5.1.1 注意力对齐子模块 | 第73-74页 |
| 5.2 用于共同子空间学习的二分枝网络 | 第74-75页 |
| 5.3 层次化多模态LSTM | 第75-76页 |
| 5.4 目标函数 | 第76-79页 |
| 5.4.1 AA-R相应的目标函数 | 第76-77页 |
| 5.4.2 共同子空间学习中的目标函数 | 第77-78页 |
| 5.4.3 细粒度共同空间学习的目标函数 | 第78-79页 |
| 5.5 实验 | 第79-87页 |
| 5.5.1 短语定位实验 | 第79-82页 |
| 5.5.2 图像和句子的双向检索实验 | 第82-87页 |
| 5.6 本章小节 | 第87-89页 |
| 第六章 总结与展望 | 第89-91页 |
| 6.1 论文总结 | 第89-90页 |
| 6.2 展望 | 第90-91页 |
| 参考文献 | 第91-97页 |
| 致谢 | 第97-99页 |
| 作者简介 | 第99-101页 |