| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题背景 | 第13-15页 |
| 1.2 研究目的和本文主要工作 | 第15-17页 |
| 1.3 论文组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 国内外相关研究概述 | 第19-32页 |
| 2.1 视觉与文本特征学习方法 | 第19-23页 |
| 2.1.1 图像特征 | 第19-21页 |
| 2.1.2 视频特征 | 第21-22页 |
| 2.1.3 文本特征 | 第22-23页 |
| 2.2 智能问答常用模型框架 | 第23-24页 |
| 2.3 基于图像的智能问答方法 | 第24-27页 |
| 2.3.1 “该看哪”图像问答模型 | 第25-26页 |
| 2.3.2 “该听哪”图像问答模型 | 第26-27页 |
| 2.4 基于视频的智能问答方法 | 第27-31页 |
| 2.4.1 基于概率生成模型的视频问答方法 | 第28-30页 |
| 2.4.2 基于深度学习的视频问答方法 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于分层空-时域注意力网络的视频问答方法 | 第32-53页 |
| 3.1 模型总体结构 | 第32-35页 |
| 3.2 视觉和文本特征初始化 | 第35-37页 |
| 3.2.1 视频帧候选区域和特征提取 | 第35-36页 |
| 3.2.2 问答文本特征初始化 | 第36-37页 |
| 3.3 空间注意力机制视觉理解模块 | 第37-41页 |
| 3.4 问题与视频时域特征融合模块 | 第41-48页 |
| 3.4.1 基于Bi-GRU的视频帧编码 | 第42-43页 |
| 3.4.2 融合问题特征的时域注意力网络 | 第43-46页 |
| 3.4.3 学习视频时序敏感信息的Bi-aGRU网络 | 第46-48页 |
| 3.5 利用多步推理过程的优化模型 | 第48-50页 |
| 3.6 答案生成与模型训练 | 第50-52页 |
| 3.6.1 答案生成模型 | 第50-51页 |
| 3.6.2 模型训练策略 | 第51-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第4章 实验设计与结果分析 | 第53-66页 |
| 4.1 数据集准备 | 第53-57页 |
| 4.1.1 问答对生成 | 第53-56页 |
| 4.1.2 视频问答数据统计信息 | 第56-57页 |
| 4.2 实验环境和模型超参数设置 | 第57-58页 |
| 4.3 评价指标 | 第58-60页 |
| 4.4 视频问答对比实验与分析 | 第60-65页 |
| 4.4.1 对比模型概述 | 第60-61页 |
| 4.4.2 总体对比实验分析 | 第61-62页 |
| 4.4.3 不同问题类型实验分析 | 第62-64页 |
| 4.4.4 模型稳健性测试 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第5章 视频问答系统设计与应用 | 第66-74页 |
| 5.1 视频问答系统架构概述 | 第66-67页 |
| 5.2 视频问答模型服务进程 | 第67-69页 |
| 5.2.1 模型部署 | 第67-68页 |
| 5.2.2 服务进程 | 第68-69页 |
| 5.3 视频问答Web服务 | 第69页 |
| 5.4 视频问答用户交互平台 | 第69-72页 |
| 5.5 系统测试 | 第72页 |
| 5.6 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74-75页 |
| 6.2 未来研究方向 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间主要的研究成果 | 第82-83页 |
| 致谢 | 第83页 |