| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 机器翻译 | 第12页 |
| 1.2.2 图像描述 | 第12-13页 |
| 1.2.3 视频描述 | 第13-14页 |
| 1.3 本文研究创新点 | 第14页 |
| 1.4 本文组织结构 | 第14-17页 |
| 2 相关工作介绍 | 第17-29页 |
| 2.1 预训练特征提取模型 | 第18-22页 |
| 2.1.1 ResNet | 第18-19页 |
| 2.1.2 NasNet | 第19-20页 |
| 2.1.3 I3D卷积神经网络 | 第20页 |
| 2.1.4 Skip-Gram语言模型 | 第20-22页 |
| 2.2 序列-序列模型 | 第22-26页 |
| 2.2.1 基于LSTM的序列-序列模型 | 第22-24页 |
| 2.2.2 注意力机制 | 第24-25页 |
| 2.2.3 基于LSTM解码器和时序注意力机制的视频描述模型 | 第25-26页 |
| 2.3 集束搜索算法 | 第26-27页 |
| 2.4 训练技巧 | 第27-28页 |
| 2.4.1 层归一化 | 第27页 |
| 2.4.2 Dropout | 第27-28页 |
| 2.4.3 Adam优化器 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于多头注意力机制的视频描述模型 | 第29-45页 |
| 3.1 问题概述 | 第29-30页 |
| 3.2 模型介绍 | 第30-37页 |
| 3.2.1 视觉特征提取层 | 第30-31页 |
| 3.2.2 视觉特征嵌入层 | 第31页 |
| 3.2.3 帧位置信息编码层 | 第31-32页 |
| 3.2.4 模型编码层 | 第32-35页 |
| 3.2.5 词向量嵌入层 | 第35页 |
| 3.2.6 模型解码层 | 第35-36页 |
| 3.2.7 Softmax输出层 | 第36页 |
| 3.2.8 目标函数 | 第36-37页 |
| 3.3 实验设置 | 第37-40页 |
| 3.3.1 数据集介绍 | 第37页 |
| 3.3.2 评估指标 | 第37-39页 |
| 3.3.3 实现细节 | 第39-40页 |
| 3.4 实验结果分析 | 第40-44页 |
| 3.4.1 与LSTM模型的比较 | 第40-42页 |
| 3.4.2 MultiHead模型不同参数对比 | 第42-43页 |
| 3.4.3 集束搜索不同参数对比 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 多模态特征融合的双视图视频描述模型 | 第45-57页 |
| 4.1 问题概述 | 第45页 |
| 4.2 模型介绍 | 第45-49页 |
| 4.2.1 双视图模型编码器 | 第46-47页 |
| 4.2.2 加法融合解码模块 | 第47-48页 |
| 4.2.3 注意力融合解码模块 | 第48-49页 |
| 4.2.4 多模态特征融合方式分析 | 第49页 |
| 4.3 实验设置 | 第49-50页 |
| 4.4 实验结果分析 | 第50-55页 |
| 4.4.1 定量结果分析 | 第50-53页 |
| 4.4.2 定性结果分析 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 基于半监督学习的视频描述模型 | 第57-65页 |
| 5.1 问题概述 | 第57-58页 |
| 5.2 模型介绍 | 第58-60页 |
| 5.2.1 基于自注意力机制的视频帧特征去噪编码器 | 第58-59页 |
| 5.2.2 多任务学习视频描述模型 | 第59-60页 |
| 5.3 实验设置 | 第60-61页 |
| 5.3.1 预训练数据集 | 第60页 |
| 5.3.2 预训练细节 | 第60-61页 |
| 5.3.3 多任务学习参数设置 | 第61页 |
| 5.4 实验结果分析 | 第61-63页 |
| 5.4.1 预训练模型选择 | 第61-62页 |
| 5.4.2 多任务学习权重参数选择 | 第62页 |
| 5.4.3 跨数据集评测 | 第62-63页 |
| 5.4.4 自注意力权重分析 | 第63页 |
| 5.5 本章小结 | 第63-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65页 |
| 6.2 不足与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者简历 | 第73-75页 |
| 致谢 | 第75页 |