基于卷积神经网络的图像标注研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-12页 |
| 1.1 选题背景和意义 | 第8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 论文的研究内容及结构 | 第11-12页 |
| 第2章 深度卷积神经网络与循环神经网络概述 | 第12-20页 |
| 2.1 卷积神经网络 | 第12-16页 |
| 2.1.1 卷积神经网络的定义及特性 | 第12-13页 |
| 2.1.2 CNN的网络结构 | 第13-15页 |
| 2.1.3 CNN的损失函数及优化 | 第15-16页 |
| 2.1.4 CNN的近期研究成果 | 第16页 |
| 2.2 循环神经网络 | 第16-19页 |
| 2.2.1 循环神经网络简介 | 第16-18页 |
| 2.2.2 循环神经网络的改进模型 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 基于m-RNN模型的研究 | 第20-26页 |
| 3.1 M-RNN模型的简介 | 第20-21页 |
| 3.2 M-RNN模型的结构 | 第21-24页 |
| 3.3 M-RNN模型的改进方向 | 第24页 |
| 3.4 本章小结 | 第24-26页 |
| 第4章 基于图像标注问题模型改进及实验分析 | 第26-38页 |
| 4.1 基于卷积神经网络的图像解释模型 | 第26-32页 |
| 4.1.1 模型的选择和构建 | 第26-30页 |
| 4.1.2 图像特征学习过程 | 第30-31页 |
| 4.1.3 构建属性词汇表 | 第31-32页 |
| 4.2 图像描述模型 | 第32-33页 |
| 4.2.1 图像描述模型的建立 | 第32-33页 |
| 4.2.2 生成语义描述的模型 | 第33页 |
| 4.3 实验与结果分析 | 第33-37页 |
| 4.3.1 数据集的选取和实验条件 | 第33-35页 |
| 4.3.2 实验结果和分析 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 总结与展望 | 第38-40页 |
| 5.1 本文总结 | 第38页 |
| 5.2 未来展望 | 第38-40页 |
| 参考文献 | 第40-44页 |
| 致谢 | 第44-45页 |
| 附录 | 第45页 |
