基于注意力机制与高层语义的视觉问答研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第19-30页 |
| 1.1 研究背景 | 第19-24页 |
| 1.2 国内外研究现状 | 第24-28页 |
| 1.2.1 基于多模态融合的方法 | 第24-26页 |
| 1.2.2 基于高层语义的方法 | 第26页 |
| 1.2.3 注意力机制 | 第26-27页 |
| 1.2.4 复合模型 | 第27-28页 |
| 1.3 本文研究内容与结构安排 | 第28-30页 |
| 第2章 基于多层次注意力网络的视觉问答 | 第30-44页 |
| 2.1 背景介绍 | 第30-32页 |
| 2.2 相关工作 | 第32-33页 |
| 2.3 多层次注意力网络 | 第33-38页 |
| 2.3.1 语义注意力 | 第33-35页 |
| 2.3.2 上下文已知的视觉注意力 | 第35-37页 |
| 2.3.3 联合学习 | 第37-38页 |
| 2.4 实验评估 | 第38-43页 |
| 2.4.1 数据集 | 第38-39页 |
| 2.4.2 评估标准 | 第39页 |
| 2.4.3 实验设置 | 第39-41页 |
| 2.4.4 消融模型 | 第41页 |
| 2.4.5 实验结果与分析 | 第41-43页 |
| 2.4.6 注意力可视化 | 第43页 |
| 2.5 总结与讨论 | 第43-44页 |
| 第3章 基于多源多层次注意力网络的视觉问答 | 第44-62页 |
| 3.1 背景介绍 | 第44-47页 |
| 3.2 相关工作 | 第47-49页 |
| 3.3 多源多层次注意力网络 | 第49-54页 |
| 3.3.1 上下文已知的视觉注意力 | 第49-52页 |
| 3.3.2 属性注意力 | 第52页 |
| 3.3.3 知识注意力 | 第52-53页 |
| 3.3.4 联合学习 | 第53-54页 |
| 3.4 实验评估 | 第54-60页 |
| 3.4.1 数据集 | 第54页 |
| 3.4.2 评价标准 | 第54-55页 |
| 3.4.3 实验设置 | 第55-56页 |
| 3.4.4 消融模型 | 第56-57页 |
| 3.4.5 实验结果与分析 | 第57-60页 |
| 3.4.6 注意力可视化 | 第60页 |
| 3.5 讨论与总结 | 第60-62页 |
| 第4章 基于图注意力网络的视觉问答 | 第62-75页 |
| 4.1 背景介绍 | 第62-64页 |
| 4.2 相关工作 | 第64-65页 |
| 4.3 图注意力网络 | 第65-68页 |
| 4.3.1 节点选择 | 第65-67页 |
| 4.3.2 图构建 | 第67-68页 |
| 4.3.3 图嵌入 | 第68页 |
| 4.4 实验 | 第68-74页 |
| 4.4.1 数据集 | 第68-69页 |
| 4.4.2 评估标准 | 第69页 |
| 4.4.3 实验设置 | 第69-70页 |
| 4.4.4 消融实验研究 | 第70-71页 |
| 4.4.5 结果与分析 | 第71-74页 |
| 4.5 总结与讨论 | 第74-75页 |
| 第5章 基于属性和字幕的可解释视觉问答 | 第75-87页 |
| 5.1 背景介绍 | 第75-77页 |
| 5.2 相关工作 | 第77页 |
| 5.3 方法部分 | 第77-80页 |
| 5.3.1 单词预测 | 第77-79页 |
| 5.3.2 句子生成 | 第79页 |
| 5.3.3 答案推理 | 第79-80页 |
| 5.4 实验与分析 | 第80-86页 |
| 5.4.1 实验设置 | 第80页 |
| 5.4.2 基于单词的视觉问答 | 第80-81页 |
| 5.4.3 基于句子的视觉问答 | 第81-83页 |
| 5.4.4 案例分析 | 第83-85页 |
| 5.4.5 性能比较 | 第85-86页 |
| 5.5 总结与讨论 | 第86-87页 |
| 第6章 总结与展望 | 第87-90页 |
| 6.1 全文总结 | 第87-88页 |
| 6.2 未来工作与展望 | 第88-90页 |
| 参考文献 | 第90-96页 |
| 致谢 | 第96-97页 |
| 在读期间发表的学术论文与取得的研究成果 | 第97页 |
