基于深度学习的图像语义理解研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 课题背景和研究意义 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 论文组织框架 | 第9-11页 |
| 2 图像理解方法与自然语言处理 | 第11-21页 |
| 2.1 传统图像理解方法概述 | 第11-12页 |
| 2.2 卷积神经网络 | 第12-13页 |
| 2.2.1 CNN在图像分类中的应用 | 第12-13页 |
| 2.2.2 图像的深层特征 | 第13页 |
| 2.3 自然语言处理 | 第13-20页 |
| 2.3.1 自然语言处理概述 | 第13-16页 |
| 2.3.2 递归循环网络与字符级语言模型 | 第16-19页 |
| 2.3.3 长短时记忆循环网络 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 图像语义理解系统的评估 | 第21-29页 |
| 3.1 专业人员打分评估 | 第21-23页 |
| 3.2 单纯语句评估 | 第23-26页 |
| 3.3 系统实验平台 | 第26-27页 |
| 3.3.1 Caffe | 第26-27页 |
| 3.3.2 Caffe的特点 | 第27页 |
| 3.4 本章小结 | 第27-29页 |
| 4 图像语义理解系统 | 第29-49页 |
| 4.1 DLNN系统概述 | 第29-35页 |
| 4.1.1 预训练 | 第32-33页 |
| 4.1.2 交叉熵损失的更新 | 第33-35页 |
| 4.2 调优和时域连接模型 | 第35-38页 |
| 4.2.1 调优 | 第35-36页 |
| 4.2.2 时域连接模型 | 第36-38页 |
| 4.3 系统的实现 | 第38-43页 |
| 4.4 系统实现结果 | 第43-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 D2LNN系统 | 第49-59页 |
| 5.1 改进的D2LNN系统 | 第49-52页 |
| 5.2 系统的实现 | 第52-55页 |
| 5.3 DLNN与D2LNN对比分析 | 第55-58页 |
| 5.3.1 预训练对比 | 第55-56页 |
| 5.3.2 调优对比 | 第56-57页 |
| 5.3.3 直观对比结果 | 第57-58页 |
| 5.3.4 BleU和ROUGE评估对比 | 第58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
