| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和研究意义 | 第11-14页 |
| 1.2 研究内容 | 第14-17页 |
| 1.3 论文的组织结构 | 第17-21页 |
| 第二章 研究现状概述 | 第21-31页 |
| 2.1 基于传统方法的特征表示 | 第21-23页 |
| 2.1.1 文本的传统特征表示方法 | 第21-22页 |
| 2.1.2 图片的传统特征表示方法 | 第22-23页 |
| 2.1.3 视频的传统特征表示方法 | 第23页 |
| 2.2 基于深度学习的特征表示 | 第23-24页 |
| 2.2.1 文本的深度特征表示方法 | 第23-24页 |
| 2.2.2 图片的深度特征表示方法 | 第24页 |
| 2.2.3 视频的深度特征表示方法 | 第24页 |
| 2.3 坐标预测任务相关工作简述 | 第24-26页 |
| 2.3.1 脸部关键点检测 | 第24-25页 |
| 2.3.2 非刚性运动结构恢复 | 第25-26页 |
| 2.4 视频文字描述任务相关工作简述 | 第26-27页 |
| 2.4.1 基于模板匹配的方法 | 第26页 |
| 2.4.2 基于编码-解码的方法 | 第26-27页 |
| 2.5 多模态知识表示任务相关工作简述 | 第27-31页 |
| 2.5.1 文本知识表示学习 | 第27-28页 |
| 2.5.2 视觉知识表示学习 | 第28-29页 |
| 2.5.3 多模态学习 | 第29-31页 |
| 第三章 2D/3D坐标预测任务中基于几何信息先验的图像深度特征表示研究 | 第31-53页 |
| 3.1 引言 | 第31-33页 |
| 3.2 方法介绍 | 第33-41页 |
| 3.2.1 几何信息先验特征表示技术 | 第33-36页 |
| 3.2.2 在2D/3D坐标预测任务中的应用 | 第36-41页 |
| 3.3 实验结果和分析 | 第41-52页 |
| 3.3.1 脸部关键点检测 | 第41-50页 |
| 3.3.2 非刚性运动结构恢复 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 视频文字描述任务中基于属性先验的视频深度特征表示研究 | 第53-75页 |
| 4.1 引言 | 第53-56页 |
| 4.2 方法介绍 | 第56-62页 |
| 4.2.1 视频中层特征表示方法 | 第56-58页 |
| 4.2.2 视频属性词典构建 | 第58页 |
| 4.2.3 视频深度属性特征表示学习 | 第58-59页 |
| 4.2.4 序列到序列的视频文字描述生成 | 第59-62页 |
| 4.3 实验结果和分析 | 第62-73页 |
| 4.3.1 数据集分析 | 第63页 |
| 4.3.2 实验阅评估标准 | 第63-64页 |
| 4.3.3 视频文字描述生成的实验结果与分析 | 第64-70页 |
| 4.3.4 视频动作分类的实验结果与分析 | 第70-73页 |
| 4.4 本章小结 | 第73-75页 |
| 第五章 多模态知识表示任务中基于跨模态知识关联的多模态深度特征表示研究 | 第75-93页 |
| 5.1 引言 | 第75-78页 |
| 5.2 方法介绍 | 第78-85页 |
| 5.2.1 问题定义 | 第78页 |
| 5.2.2 网络监督的多模态关系挖掘 | 第78-81页 |
| 5.2.3 双向增强的跨模态知识表示 | 第81-85页 |
| 5.3 数据集构建与实现细节 | 第85-86页 |
| 5.4 实验结果与分析 | 第86-92页 |
| 5.4.1 零样本多模态检索 | 第86-90页 |
| 5.4.2 视觉关系识别 | 第90-92页 |
| 5.5 本章小结 | 第92-93页 |
| 第六章 总结与展望 | 第93-97页 |
| 6.1 工作总结 | 第93-94页 |
| 6.2 研究展望 | 第94-97页 |
| 参考文献 | 第97-113页 |
| 攻读博士期间的科研成果 | 第113-115页 |
| 简历 | 第115-117页 |
| 致谢 | 第117-118页 |
