时空注意力模型下的视频问答
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 视频问答的研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 主要研究方法 | 第8-11页 |
| 1.2.2 主要面临的挑战 | 第11页 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 本文相关的研究工作 | 第13-19页 |
| 2.1 基于图像的问答任务研究 | 第13-17页 |
| 2.1.1 基于联合嵌入的研究方法 | 第13-15页 |
| 2.1.2 基于注意力机制的研究方法 | 第15页 |
| 2.1.3 基于组成模型的研究方法 | 第15-16页 |
| 2.1.4 利用外部知识库的研究方法 | 第16-17页 |
| 2.2 基于视频的问答任务研究 | 第17-19页 |
| 第三章 基于场景、动作和文本的视频问答方法 | 第19-31页 |
| 3.1 研究背景 | 第19-21页 |
| 3.2 算法框架描述 | 第21页 |
| 3.3 算法具体实现 | 第21-26页 |
| 3.3.1 长短期记忆网络 | 第21-23页 |
| 3.3.2 利用场景模型获取视频的场景特征表示 | 第23-24页 |
| 3.3.3 采用动作模型获取视频的动作特征表示 | 第24-25页 |
| 3.3.4 采用文本模型获取视频的文本特征表示 | 第25-26页 |
| 3.4 实验结果分析 | 第26-31页 |
| 3.4.1 实验数据 | 第26页 |
| 3.4.2 实验设置 | 第26-27页 |
| 3.4.3 实验结果分析 | 第27-31页 |
| 第四章 基于注意力模型的视频问答方法 | 第31-43页 |
| 4.1 研究背景 | 第31-32页 |
| 4.2 算法框架描述 | 第32-33页 |
| 4.3 算法具体实现 | 第33-38页 |
| 4.3.1 构造帧模型产生帧特征向量 | 第33-34页 |
| 4.3.2 编码部分 | 第34-35页 |
| 4.3.3 解码部分 | 第35-38页 |
| 4.3.4 训练参数设置和结果评估标准 | 第38页 |
| 4.4 实验结果分析 | 第38-43页 |
| 4.4.1 实验数据 | 第38页 |
| 4.4.2 实验设置 | 第38-39页 |
| 4.4.3 实验结果分析 | 第39-43页 |
| 第五章 总结与展望 | 第43-45页 |
| 5.1 总结 | 第43-44页 |
| 5.2 展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 发表论文和参加科研情况说明 | 第49-50页 |
| 致谢 | 第50页 |
