| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第2章 相关知识及技术 | 第18-30页 |
| 2.1 深度学习及相关技术 | 第18-22页 |
| 2.1.1 深度学习基本思想 | 第18-19页 |
| 2.1.2 卷积神经网络 | 第19-21页 |
| 2.1.3 循环神经网络 | 第21-22页 |
| 2.2 词向量表示及相关技术 | 第22-27页 |
| 2.2.1 语言模型简介 | 第22-23页 |
| 2.2.2 基于神经网络的词向量表示 | 第23-25页 |
| 2.2.3 基于word2vec的词向量表示 | 第25-27页 |
| 2.3 语义相似度计算相关技术 | 第27-28页 |
| 2.3.1 余弦距离 | 第27页 |
| 2.3.2 欧氏距离 | 第27-28页 |
| 2.3.3 马氏距离 | 第28页 |
| 2.3.4 汉明距离 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 融合语料信息的图像自动标注算法 | 第30-48页 |
| 3.1 问题提出 | 第30-31页 |
| 3.2 模型整体设计 | 第31-33页 |
| 3.3 含有词序信息的词向量的生成 | 第33-40页 |
| 3.3.1 语料库的词向量表示 | 第33-34页 |
| 3.3.2 基于sequence词序模型的词向量训练 | 第34-40页 |
| 3.4 语料信息的融合 | 第40-42页 |
| 3.4.1 训练集关键词提取 | 第40-41页 |
| 3.4.2 词汇间语义相似度计算 | 第41-42页 |
| 3.5 Corpus-MRNN图像自动标注模型 | 第42-46页 |
| 3.5.1 图像特征提取 | 第42-43页 |
| 3.5.2 语义信息表示 | 第43页 |
| 3.5.3 图像与语义的匹配 | 第43-45页 |
| 3.5.4 Corpus-MRNN模型训练 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 实验结果及分析 | 第48-58页 |
| 4.1 实验环境 | 第48-49页 |
| 4.2 实验结果评价标准 | 第49-50页 |
| 4.2.1 BLEU标准 | 第49页 |
| 4.2.2 METEOR标准 | 第49-50页 |
| 4.3 实验数据集 | 第50-51页 |
| 4.3.1 语料库数据 | 第50页 |
| 4.3.2 图像自动标注数据 | 第50-51页 |
| 4.4 实验结果及分析 | 第51-57页 |
| 4.4.1 实验一 | 第51-54页 |
| 4.4.2 实验二 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |