| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文的章节结构 | 第13-14页 |
| 第2章 图像描述的相关理论研究 | 第14-32页 |
| 2.1 多层感知器 | 第14-20页 |
| 2.1.1 感知器 | 第14-17页 |
| 2.1.2 多层感知器结构 | 第17页 |
| 2.1.3 反向传播算法 | 第17-20页 |
| 2.2 卷积神经网络 | 第20-24页 |
| 2.3 循环神经网络 | 第24-30页 |
| 2.3.1 循环神经网络的标准模型 | 第24-28页 |
| 2.3.2 长短时记忆模型 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 带普通隐含层循环神经网络的图像描述方法介绍 | 第32-44页 |
| 3.1 图像描述方法研究 | 第32-36页 |
| 3.1.1 图像编码 | 第33页 |
| 3.1.2 句子编码 | 第33-34页 |
| 3.1.3 句子生成 | 第34-36页 |
| 3.2 带普通隐含层的长短时记忆网络模型图像描述方法介绍 | 第36-38页 |
| 3.2.1 模型介绍 | 第36-37页 |
| 3.2.2 模型学习算法 | 第37-38页 |
| 3.3 实验结果 | 第38-42页 |
| 3.3.1 图像文本描述结果 | 第39页 |
| 3.3.2 对比实验结果 | 第39-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于word2vec句子编码的图像描述方法介绍 | 第44-62页 |
| 4.1 背景 | 第44-48页 |
| 4.1.1 词向量 | 第44页 |
| 4.1.2 传统统计语言模型 | 第44-46页 |
| 4.1.3 神经网络语言模型 | 第46-47页 |
| 4.1.4 线性对数模型 | 第47-48页 |
| 4.1.5 双线性对数模型 | 第48页 |
| 4.1.6 层次化的双线性对数模型 | 第48页 |
| 4.2 Word2Vec模型简介 | 第48-54页 |
| 4.2.1 哈夫曼树与二分类 | 第49-50页 |
| 4.2.2 连续词袋模型 | 第50-53页 |
| 4.2.3 Skip-Gram模型 | 第53-54页 |
| 4.3 基于word2vec句子编码的图像描述方法研究 | 第54-55页 |
| 4.3.1 模型介绍 | 第54-55页 |
| 4.3.2 word2vec训练 | 第55页 |
| 4.4 实验结果 | 第55-60页 |
| 4.4.1 图像文本描述结果 | 第55-56页 |
| 4.4.2 基于word2vec句子编码的图像描述的对比实验结果 | 第56-58页 |
| 4.4.3 基于word2vec的句子编码和带普通隐含层的长短时记忆模型实验比较 | 第58-60页 |
| 4.5 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间所发表的学术成果 | 第68-70页 |
| 致谢 | 第70页 |
