| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 生成模型算法 | 第13-15页 |
| 1.2.2 检索模型算法 | 第15-17页 |
| 1.3 本文内容和结构 | 第17-18页 |
| 第二章 基于递归网络的图文标注算法 | 第18-44页 |
| 2.1 自动图文标注中的图像特征提取 | 第18-32页 |
| 2.1.1 人工神经网络 | 第18-24页 |
| 2.1.2 多层人工神经网络 | 第24-28页 |
| 2.1.3 深度卷积网络 | 第28-32页 |
| 2.2 自动图文标注中的语言模型 | 第32-41页 |
| 2.2.1 语言模型 | 第32-33页 |
| 2.2.2 N-Grams模型 | 第33-34页 |
| 2.2.3 基本RNN网络 | 第34-40页 |
| 2.2.4 LSTM模型 | 第40-41页 |
| 2.3 基于CNN和RNN的自动图文标注基本模型 | 第41-43页 |
| 2.3.1 BRNN模型结构 | 第41-43页 |
| 2.4 本章总结 | 第43-44页 |
| 第三章 改进的自动图文标注算法 | 第44-69页 |
| 3.1 基本模型分析与改进思路 | 第44-48页 |
| 3.1.1 BRNN模型的分析 | 第44-46页 |
| 3.1.2 创新点思路 | 第46-48页 |
| 3.2 WICN（Word Image Caption Network）模型 | 第48-57页 |
| 3.2.1 WICN模型改进思路 | 第48-49页 |
| 3.2.2 WICN模型结构 | 第49-57页 |
| 3.3 实验 | 第57-68页 |
| 3.3.1 深度学习框架对比 | 第57-58页 |
| 3.3.2 数据库 | 第58-59页 |
| 3.3.3 评价方法 | 第59-61页 |
| 3.3.4 实验结果 | 第61-68页 |
| 3.4 本章总结 | 第68-69页 |
| 第四章 中文自动图文标注算法研究 | 第69-89页 |
| 4.1 基于前分词的WICN模型 | 第69-73页 |
| 4.1.1 中文分词算法 | 第69-72页 |
| 4.1.2 前分词方法的缺点 | 第72-73页 |
| 4.2 中文与英文表达形式的差别 | 第73-76页 |
| 4.3 改进的中文WICN模型 | 第76-82页 |
| 4.3.1 基于单字编码的WICN模型 | 第76页 |
| 4.3.2 基于统一编码的WICN模型 | 第76-78页 |
| 4.3.3 基于统一编码的后分词WICN模型 | 第78-82页 |
| 4.4 实验结果 | 第82-88页 |
| 4.4.1 数据库 | 第82页 |
| 4.4.2 实验 | 第82-88页 |
| 4.5 本章总结 | 第88-89页 |
| 总结和展望 | 第89-91页 |
| 参考文献 | 第91-95页 |
| 攻读硕士学位期间取得的研究成果 | 第95-96页 |
| 致谢 | 第96-97页 |
| 附件 | 第97页 |