| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-17页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究意义 | 第8-9页 |
| 1.3 研究现状 | 第9-15页 |
| 1.4 本文工作与贡献 | 第15-16页 |
| 1.5 本文结构 | 第16-17页 |
| 2 基础知识与关键技术 | 第17-26页 |
| 2.1 多层感知机 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.3 循环神经网络 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基于互助双向LSTM模型的标题生成算法 | 第26-44页 |
| 3.1 Inception-V4编码器 | 第27-30页 |
| 3.1.1 网络主干 | 第28-29页 |
| 3.1.2 Inception与Reduction | 第29-30页 |
| 3.2 互助双向LSTM解码器 | 第30-34页 |
| 3.2.1 LSTM解码器 | 第30-31页 |
| 3.2.2 带注意力机制的LSTM解码器 | 第31-32页 |
| 3.2.3 互助双向LSTM解码器 | 第32-34页 |
| 3.3 损失函数 | 第34页 |
| 3.4 实验结果与分析 | 第34-43页 |
| 3.4.1 MicrosoftCOCO数据集 | 第35-36页 |
| 3.4.2 常用的评测指标 | 第36-37页 |
| 3.4.3 实验设置与实现细节 | 第37-38页 |
| 3.4.4 预训练LSTM解码器 | 第38-39页 |
| 3.4.5 互助双向LSTM的作用 | 第39-41页 |
| 3.4.6 与其他算法的比较与分析 | 第41-42页 |
| 3.4.7 具体实例分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于递进解码机制的图像标题生成算法 | 第44-53页 |
| 4.1 多模态注意力模块 | 第45-46页 |
| 4.2 最终图像标题的生成 | 第46-47页 |
| 4.3 实验结果与分析 | 第47-52页 |
| 4.3.1 预训练与微调 | 第47页 |
| 4.3.2 与其他算法的比较与分析 | 第47-48页 |
| 4.3.3 具体实例分析 | 第48-50页 |
| 4.3.4 注意力可视化分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 附录A MB-LSTM在其他数据集上的测试 | 第61-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-65页 |