| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 图像理解概述 | 第14-17页 |
| 1.1.1 物体与场景理解 | 第14-15页 |
| 1.1.2 图像理解层次化 | 第15-17页 |
| 1.1.3 图像语义标注 | 第17页 |
| 1.2 研究背景及意义 | 第17-18页 |
| 1.3 国内外研究现状 | 第18-19页 |
| 1.4 图像理解数据集 | 第19-22页 |
| 1.5 论文章节安排 | 第22-24页 |
| 第二章 图像中文语义理解整体框架 | 第24-36页 |
| 2.1 图像特征提取 | 第24-27页 |
| 2.2 中文标注数据预处理 | 第27-30页 |
| 2.2.1 中文数据清洗 | 第27-28页 |
| 2.2.2 中文分词 | 第28-29页 |
| 2.2.3 词嵌入 | 第29-30页 |
| 2.3 中文语义生成 | 第30-35页 |
| 2.3.1 编码-解码网络模型 | 第31-33页 |
| 2.3.2 中文语义生成网络模型 | 第33-35页 |
| 2.4 本章小节 | 第35-36页 |
| 第三章 基于深度神经网络的图像特征提取 | 第36-52页 |
| 3.1 神经网络演变过程 | 第36-37页 |
| 3.2 卷积神经网络简介 | 第37-42页 |
| 3.3 经典卷积神经网络模型 | 第42-48页 |
| 3.4 网络结构对比与分析 | 第48-50页 |
| 3.5 本章小节 | 第50-52页 |
| 第四章 基于双向LSTM和CRF的中文分词及Skip-gram的词嵌入 | 第52-62页 |
| 4.1 双向LSTM和CRF的中文分词方法及改进 | 第52-55页 |
| 4.2 Skip-gram的中文词嵌入方法及改进 | 第55-61页 |
| 4.3 本章小节 | 第61-62页 |
| 第五章 基于双向软聚焦机制中文语义生成 | 第62-74页 |
| 5.1 循环神经网络简介 | 第62-69页 |
| 5.2 编码-解码网络模型中的聚焦机制 | 第69-71页 |
| 5.2.1 基于强化学习的硬聚焦机制 | 第69-70页 |
| 5.2.2 基于概率模型的软聚焦机制 | 第70-71页 |
| 5.3 基于双向软聚焦机制的编码-解码网络模型 | 第71-72页 |
| 5.4 本章小节 | 第72-74页 |
| 第六章 模型评价机制和结果分析 | 第74-86页 |
| 6.1 模型评价机制 | 第74-75页 |
| 6.2 实验结果及分析 | 第75-85页 |
| 6.2.1 数据集设置 | 第75-76页 |
| 6.2.2 实验环境及设置 | 第76-77页 |
| 6.2.3 中文标注数据预处理对于网络性能的影响 | 第77-78页 |
| 6.2.4 不同网络结构对于网络性能的影响 | 第78-81页 |
| 6.2.5 不同数据量对于网络性能的影响 | 第81-82页 |
| 6.2.6 生成结果分析 | 第82-85页 |
| 6.3 本章小节 | 第85-86页 |
| 第七章 总结与展望 | 第86-88页 |
| 7.1 工作总结 | 第86-87页 |
| 7.2 未来展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 硕士在读期间科研成果 | 第92-94页 |
| 致谢 | 第94页 |