| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 背景介绍 | 第11-17页 |
| 1.1 本文研究的动机和意义 | 第11-13页 |
| 1.2 介绍 | 第13-15页 |
| 1.3 本文的贡献 | 第15页 |
| 1.4 本论文的组织结构 | 第15-17页 |
| 第二章 相关背景 | 第17-27页 |
| 2.1 相关工作 | 第17-22页 |
| 2.1.1 从图片和视频生成文字描述 | 第17-20页 |
| 2.1.2 统计机器翻译 | 第20-22页 |
| 2.2 语料库 | 第22-26页 |
| 2.2.1 MPII Cooking Composite Activities | 第22-23页 |
| 2.2.2 TACo S语料库 | 第23-26页 |
| 2.3 本章总结 | 第26-27页 |
| 第三章 将视频翻译成文本描述 | 第27-39页 |
| 3.1 概览 | 第27页 |
| 3.2 语义表示 | 第27-29页 |
| 3.2.1 从视频内容中抽取语义表示 | 第28-29页 |
| 3.3 将语义表示翻译成文本描述 | 第29-34页 |
| 3.3.1 构建平行语料库 | 第31-32页 |
| 3.3.2 构造源语言 | 第32-33页 |
| 3.3.3 本文方法流程 | 第33-34页 |
| 3.4 处理语义表示抽取步骤带来的噪声 | 第34-38页 |
| 3.4.1 动机 | 第34-35页 |
| 3.4.2 Confusion Networks和Word Lattice | 第35页 |
| 3.4.3 将抽取语义表示步骤的概率输出表示为word lattice | 第35-38页 |
| 3.5 本章总结 | 第38-39页 |
| 第四章 基线系统 | 第39-43页 |
| 4.1 基于句子抽取的方法 | 第39-41页 |
| 4.1.1 使用特定领域语言模型生成语句 | 第39-41页 |
| 4.2 本章总结 | 第41-43页 |
| 第五章 实验及结果 | 第43-55页 |
| 5.1 实验设定 | 第43-44页 |
| 5.1.1 相关工具 | 第43页 |
| 5.1.2 数据预处理 | 第43-44页 |
| 5.1.3 实验设定 | 第44页 |
| 5.2 评测 | 第44-53页 |
| 5.2.1 评测方法 | 第44-46页 |
| 5.2.2 实验结果 | 第46-53页 |
| 5.3 错误分析及讨论 | 第53页 |
| 5.4 本章总结 | 第53-55页 |
| 第六章 关于图片描述生成的实验 | 第55-61页 |
| 6.1 实验设定 | 第55-56页 |
| 6.2 结果 | 第56页 |
| 6.3 错误分析及讨论 | 第56-60页 |
| 6.4 本章总结 | 第60-61页 |
| 第七章 结论及今后工作 | 第61-65页 |
| 7.1 结论 | 第61-62页 |
| 7.2 今后工作 | 第62-65页 |
| 附录A 交叉验证实验结果 | 第65-67页 |
| A.1 交叉验证 | 第65-67页 |
| 附录B 语义表示各元素的可能状态清单 | 第67-71页 |
| 附录C 参考文献 | 第71-77页 |
| 附录D 攻读学位期间发表的学术论文目录 | 第77-79页 |
| 附录E 攻读学位期间参与的项目 | 第79-81页 |
