| 中文摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-20页 |
| 1.2.1 传统视觉问答方法 | 第13-14页 |
| 1.2.2 基于注意力机制的视觉问答方法 | 第14-19页 |
| 1.2.3 其他视觉问答方法 | 第19-20页 |
| 1.3 目前存在的主要问题 | 第20-21页 |
| 1.4 本文主要工作及创新点 | 第21-22页 |
| 1.5 本文结构安排 | 第22-24页 |
| 第二章 基于空间信息增强的视觉注意网络的视觉问答方法 | 第24-39页 |
| 2.1 方法整体框架描述 | 第24页 |
| 2.2 深度特征抽取模型 | 第24-29页 |
| 2.2.1 图像特征抽取 | 第25-27页 |
| 2.2.2 问题语义特征抽取 | 第27-29页 |
| 2.3 基于视觉注意机制的显著特征提取 | 第29-31页 |
| 2.3.1 视觉注意力机制计算模型 | 第29-30页 |
| 2.3.2 视觉显著特征提取描述 | 第30-31页 |
| 2.4 空间信息增强的注意力网络框架描述 | 第31-32页 |
| 2.5 实验结果分析 | 第32-38页 |
| 2.5.1 VQA数据集和COCO-QA数据集介绍 | 第32-33页 |
| 2.5.2 模型实现细节 | 第33-34页 |
| 2.5.3 注意力层数对性能的影响 | 第34-35页 |
| 2.5.4 方法性能比较分析 | 第35-37页 |
| 2.5.5 注意力层可视化 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于多模态交叉引导协同注意网络的视觉问答方法 | 第39-53页 |
| 3.1 方法整体框架描述 | 第39-40页 |
| 3.2 基于候选区域的图像特征抽取 | 第40-42页 |
| 3.2.1 目标检测概述 | 第40-42页 |
| 3.2.2 候选区域特征抽取 | 第42页 |
| 3.3 基于非线性激活的注意力机制 | 第42-45页 |
| 3.3.1 MCAN的激活方法 | 第42-44页 |
| 3.3.2 非线性激活注意力机制 | 第44-45页 |
| 3.4 多模态交叉引导协同注意网络 | 第45-47页 |
| 3.4.1 模型的输入 | 第45-46页 |
| 3.4.2 多层交叉引导协同注意 | 第46-47页 |
| 3.4.3 预测答案 | 第47页 |
| 3.5 实验结果分析 | 第47-51页 |
| 3.5.1 模型实现细节 | 第47-48页 |
| 3.5.2 结果和分析 | 第48-50页 |
| 3.5.3 消融学习 | 第50-51页 |
| 3.5.4 定量分析 | 第51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 基于视觉语义概念的增强协同注意网络的视觉问答方法 | 第53-65页 |
| 4.1 方法整体框架描述 | 第53页 |
| 4.2 视觉语义概念提取 | 第53-54页 |
| 4.3 分层的问题语义抽取 | 第54-58页 |
| 4.3.1 问题中单词的表示方法 | 第54-57页 |
| 4.3.2 基于卷积神经网络的句子语义抽取模型 | 第57-58页 |
| 4.3.3 分层语义抽取 | 第58页 |
| 4.4 增强的协同注意网络 | 第58-60页 |
| 4.4.1 序列化协同注意网络 | 第58-60页 |
| 4.4.2 答案预测 | 第60页 |
| 4.5 实验结果分析 | 第60-64页 |
| 4.5.1 结果和分析 | 第60-63页 |
| 4.5.2 注意力可视化 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 论文工作总结 | 第65-66页 |
| 5.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 攻读学位期间参与科研项目和公开发表的论文 | 第75-77页 |
| 致谢 | 第77-78页 |
