Deep visual-semantic alignments for generating image descriptions (A. Karpathy and L. Fei-Fei).ppt_第1页
Deep visual-semantic alignments for generating image descriptions (A. Karpathy and L. Fei-Fei).ppt_第2页
Deep visual-semantic alignments for generating image descriptions (A. Karpathy and L. Fei-Fei).ppt_第3页
Deep visual-semantic alignments for generating image descriptions (A. Karpathy and L. Fei-Fei).ppt_第4页
Deep visual-semantic alignments for generating image descriptions (A. Karpathy and L. Fei-Fei).ppt_第5页
已阅读5页，还剩30页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、深度视觉-基于语义对齐模型的生成的图像说明、背景、图片的自动处理、人眼大小图像自动注释解放、图片搜索、图像翻译机器人、无人自主导航帮助文档盲人“查看世界”车牌自动识别、目标、生成的文本说明取决于培训集的质量和数量。模型中没有句法结构，对单词种类有限制，生成图及其区域的丰富而具体的自由形式文本说明，两个模型，区域-段对齐模型(输入：图-门集，输出3360区域-段集)，2。模型生成：循环神经网络(输入：图输出：培训班、测试程序、1.2单词的表示(提取特征)、1.3区域-单词相似性评价相似性模型： C v，s=f S=f(v T s)，1.4是与区域相对应的段.b区，第I个字，2 .生成模型y=Mu

2、ltRNN(v，s，)，输入：(区域1，段1)(区域2，段2)输入：区域1区域2，I Utput 3360插图，输出：段1段2.输入1:插图，输入2:语句，2。模型生成y=MultRNN(v，s，)，输出33单词对应于哪个区域，段对应于哪个区域，分为多个区域，多个单词，神经网络，1，2，3，训练方法：多层探测器，卷积多层传感器：层与层之间的整体连接各层之间没有节点连接这些现有网络：时序输入和输入节点之间的相关性循环神经网络(RNN):基于多层识别器添加时间维。将牙齿时间点之前的信息应用到当前时间点的网络运算可以说明在顺序输入(如文本)中更好地表示输入数据的相关性。可变数据RNN广泛应用于自然语言处理(NLP)领域。双向循环神经网络(BRNN):牙齿当前时间之前或之后的信息包括当前时间网络运算、递归神经网络(RNN)、1.1区域的表

人人文库> 全部分类> 行业资料 > 管理策划

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论