基于注意力机制的多轮视频问答
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究难点 | 第13-14页 |
| 1.3 研究现状 | 第14-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 本文组织结构 | 第16页 |
| 1.6 本章小结 | 第16-18页 |
| 第2章 相关工作 | 第18-26页 |
| 2.1 引言 | 第18-19页 |
| 2.2 图像问答 | 第19-22页 |
| 2.2.1 通用图像问答框架 | 第19-20页 |
| 2.2.2 基于残差神经网络的模型 | 第20页 |
| 2.2.3 基于注意力机制的模型 | 第20-22页 |
| 2.2.4 基于记忆神经网络的模型 | 第22页 |
| 2.3 视频问答 | 第22-24页 |
| 2.3.1 单轮视频问答 | 第22-23页 |
| 2.3.2 多轮问答 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于注意力机制的多轮视频问答 | 第26-44页 |
| 3.1 问题描述与模型分析 | 第26-27页 |
| 3.2 基于注意力机制的多轮视频对话算法框架 | 第27-28页 |
| 3.3 基于问答历史的问题理解模块 | 第28-35页 |
| 3.3.1 词嵌入向量 | 第28-30页 |
| 3.3.2 循环神经网络 | 第30-31页 |
| 3.3.3 注意力机制 | 第31-33页 |
| 3.3.4 记忆网络 | 第33-34页 |
| 3.3.5 本模块算法流程 | 第34-35页 |
| 3.4 多通道的视频表示模块 | 第35-43页 |
| 3.4.1 二维卷积神经网络 | 第35-38页 |
| 3.4.2 三维卷积神经网络 | 第38页 |
| 3.4.3 图像目标检测 | 第38-41页 |
| 3.4.4 本模块算法流程 | 第41-43页 |
| 3.5 答案预测模块 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 实验结果与分析 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 数据集 | 第44-45页 |
| 4.3 基准算法 | 第45-49页 |
| 4.3.1 ESA | 第45页 |
| 4.3.2 ESA+ | 第45-47页 |
| 4.3.3 STVQA+ | 第47页 |
| 4.3.4 STAN+ | 第47-49页 |
| 4.4 评价指标及实验环境 | 第49-50页 |
| 4.4.1 评价指标 | 第49页 |
| 4.4.2 实验环境 | 第49-50页 |
| 4.5 实验设计与结果分析 | 第50-52页 |
| 4.5.1 实验结果对比 | 第50-51页 |
| 4.5.2 模型超参分析 | 第51页 |
| 4.5.3 实验细节 | 第51-52页 |
| 4.6 本章小结 | 第52-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间的主要研究成果 | 第62-64页 |
| 致谢 | 第64页 |
