| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-15页 |
| 1.2 研究历史和现状 | 第15-18页 |
| 1.2.1 核心问题 | 第15-16页 |
| 1.2.2 数据集 | 第16页 |
| 1.2.3 现有方法 | 第16-18页 |
| 1.3 论文内容与章节安排 | 第18-20页 |
| 第2章 基于属性和描述的图像问答 | 第20-44页 |
| 2.1 属性预测(Word Prediction) | 第22-26页 |
| 2.2 描述生成(Sentence Generation) | 第26-33页 |
| 2.2.1 图像描述简介 | 第26-27页 |
| 2.2.2 图像描述生成模型 | 第27-29页 |
| 2.2.3 基于长短时记忆网络的句子生成模型 | 第29-33页 |
| 2.2.4 生成的描述质量评估 | 第33页 |
| 2.3 答案推理(Answer Reasoning) | 第33-34页 |
| 2.4 实验 | 第34-42页 |
| 2.4.1 实验设置 | 第34-36页 |
| 2.4.2 实验结果及分析 | 第36-42页 |
| 2.5 本章小结 | 第42-44页 |
| 第3章 带解释的图像问答 | 第44-60页 |
| 3.1 带解释的图像问答数据集(VQA-E) | 第46-51页 |
| 3.1.1 文本解释合成 | 第46-47页 |
| 3.1.2 数据集分析 | 第47-49页 |
| 3.1.3 数据集质量评估-用户调查 | 第49-51页 |
| 3.2 多任务带解释图像问答模型 | 第51-54页 |
| 3.2.1 图像特征 | 第52页 |
| 3.2.2 问题表示 | 第52-53页 |
| 3.2.3 视觉注意力机制( Visual Attention) | 第53页 |
| 3.2.4 答案预测 | 第53-54页 |
| 3.2.5 解释生成 | 第54页 |
| 3.3 实验 | 第54-58页 |
| 3.3.1 实验设置 | 第54-55页 |
| 3.3.2 解释生成任务的评估 | 第55-56页 |
| 3.3.3 答案预测任务的评估 | 第56-57页 |
| 3.3.4 对结果的定性分析 | 第57-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第4章 总结和展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 在读期间发表的学术论文与取得的研究成果 | 第67页 |
