| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像描述生成研究现状 | 第11-12页 |
| 1.2.2 跨模态检索国内外研究现状 | 第12-14页 |
| 1.3 本文的工作和安排 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 本文创新点 | 第15页 |
| 1.3.3 文章结构安排 | 第15-17页 |
| 第二章 基于深度模型的图像描述 | 第17-35页 |
| 2.1 引言 | 第17页 |
| 2.2 相关知识 | 第17-24页 |
| 2.2.1 卷积神经网络 | 第17-20页 |
| 2.2.2 循环神经网络 | 第20-23页 |
| 2.2.3 编码解码框架 | 第23-24页 |
| 2.3 图像描述模型 | 第24-27页 |
| 2.3.1 Neural Talk2网络 | 第24-25页 |
| 2.3.2 LRCN网络 | 第25-26页 |
| 2.3.3 New-LRCN网络 | 第26-27页 |
| 2.4 实验 | 第27-33页 |
| 2.4.1 实验数据集 | 第27-28页 |
| 2.4.2 评价标准 | 第28-31页 |
| 2.4.3 实验说明 | 第31页 |
| 2.4.4 Neural Talk2实验 | 第31-33页 |
| 2.4.5 LRCN与new-LRCN实验 | 第33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 融合ATTENTION机制的图像描述 | 第35-51页 |
| 3.1 引言 | 第35页 |
| 3.2 ATTENTION机制 | 第35-38页 |
| 3.2.1 Attention机制介绍 | 第35-37页 |
| 3.2.2 融合注意力机制的图像描述框架 | 第37-38页 |
| 3.3 图像语义标签提取 | 第38-41页 |
| 3.3.1 多示例学习 | 第38-39页 |
| 3.3.2 语义标签检测 | 第39-41页 |
| 3.4 SCN-LSTM网络 | 第41-46页 |
| 3.4.1 SCN-RNN | 第42-43页 |
| 3.4.2 SCN-LSTM | 第43-44页 |
| 3.4.3 对SCN-LSTM的改进 | 第44-46页 |
| 3.5 实验 | 第46-49页 |
| 3.5.1 实验数据及说明 | 第47页 |
| 3.5.2 文本标签的探索 | 第47-48页 |
| 3.5.3 SCN-LSTM与SCN-BiLSTM | 第48-49页 |
| 3.5.4 SCN-BiLSTM与现有模型 | 第49页 |
| 3.6 本章小结 | 第49-51页 |
| 第四章 基于深度模型的跨模态检索 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 数据间的关联机制 | 第51-56页 |
| 4.2.1 典型相关性分析 | 第51-52页 |
| 4.2.2 深度典型相关性分析 | 第52-54页 |
| 4.2.3 DCCA-PHS | 第54-56页 |
| 4.3 文本特征表示 | 第56-60页 |
| 4.3.1 词袋模型 | 第56-57页 |
| 4.3.2 基于VLAD的文本表示 | 第57-60页 |
| 4.4 图像特征表示方法 | 第60页 |
| 4.5 实验 | 第60-66页 |
| 4.5.1 实验数据及说明 | 第60-61页 |
| 4.5.2 评价标准 | 第61页 |
| 4.5.3 实验结果及分析 | 第61-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75页 |