| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景及意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 web前端页面自动化技术 | 第18-19页 |
| 1.2.2 目标检测技术 | 第19-20页 |
| 1.2.3 图像理解技术 | 第20-21页 |
| 1.2.4 图像生成技术 | 第21页 |
| 1.3 本文主要研究内容 | 第21-23页 |
| 1.4 本文章节安排 | 第23-24页 |
| 第二章 相关技术 | 第24-33页 |
| 2.1 文本数字化 | 第24-27页 |
| 2.2 批标准化 | 第27-28页 |
| 2.3 目标检测算法 | 第28-29页 |
| 2.4 图像理解算法 | 第29-30页 |
| 2.5 生成对抗网络 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于目标检测和全卷积的两种图像理解方法 | 第33-55页 |
| 3.1 问题描述与研究动机 | 第33-34页 |
| 3.2 基于目标检测的图像理解方法 | 第34-41页 |
| 3.2.1 模型设计 | 第34-37页 |
| 3.2.2 图像预处理 | 第37页 |
| 3.2.3 文本预处理 | 第37页 |
| 3.2.4 目标检测器 | 第37-38页 |
| 3.2.5 Bi-LSTM | 第38-39页 |
| 3.2.6 Attention注意力机制 | 第39-40页 |
| 3.2.7 softmax层 | 第40-41页 |
| 3.3 基于全卷积的图像理解方法 | 第41-46页 |
| 3.3.1 模型设计 | 第41-43页 |
| 3.3.2 Gated CNN | 第43-44页 |
| 3.3.3 残差层 | 第44-45页 |
| 3.3.4 softmax层 | 第45-46页 |
| 3.4 数据集及实验设置 | 第46-48页 |
| 3.4.1 数据集介绍 | 第46页 |
| 3.4.2 评估指标介绍 | 第46-48页 |
| 3.4.3 实验参数设置 | 第48页 |
| 3.5 实验结果与分析 | 第48-53页 |
| 3.5.1 基于目标检测方法的实验结果与分析 | 第48-51页 |
| 3.5.2 基于目标检测方法的超参数设置 | 第51页 |
| 3.5.3 基于全卷积方法的实验结果与分析 | 第51-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 基于Transformer编码器的图像生成方法 | 第55-69页 |
| 4.1 问题描述与研究动机 | 第55-56页 |
| 4.2 基于Transformer编码器架构的图像生成方法 | 第56-64页 |
| 4.2.1 模型设计 | 第56-57页 |
| 4.2.2 图像预处理 | 第57-59页 |
| 4.2.3 多头自注意力机制 | 第59-60页 |
| 4.2.4 残差标准化 | 第60-61页 |
| 4.2.5 前向神经网络层 | 第61-62页 |
| 4.2.6 WGAN | 第62-64页 |
| 4.3 数据集及实验设置 | 第64-66页 |
| 4.3.1 数据集介绍 | 第64页 |
| 4.3.2 评估指标介绍 | 第64-65页 |
| 4.3.3 实验参数设置 | 第65-66页 |
| 4.4 实验结果与分析 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-72页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-80页 |
| 致谢 | 第80-81页 |
| 攻读硕士学位期间发表论文、参与科研和获得荣誉情况 | 第81页 |