本文選題：深度學(xué)習(xí)　切入點：計算機視覺　出處：《哈爾濱工業(yè)大學(xué)》2017年碩士論文

【摘要】：近年來,對于深度學(xué)習(xí)(Deep Learning,DL)技術(shù)逐漸引起工業(yè)界及學(xué)術(shù)界的廣泛關(guān)注討論,一方面相比傳統(tǒng)機器學(xué)習(xí)模型,深度學(xué)習(xí)具備更強的表達能力,因而可以捕獲更深層次的信息,從而取得更高的精度,另一方面,在計算機視覺領(lǐng)域,深度學(xué)習(xí)模型具備的自動對圖像特征進行規(guī)約抽象的能力也逐漸取代了傳統(tǒng)的基于經(jīng)驗的手工提取特征流程,降低了技術(shù)的門檻。自從2012年大放異彩至今,深度學(xué)習(xí)在計算機視覺領(lǐng)域及自然語言處理領(lǐng)域帶來了一波又一波的浪潮,然而對于二者的交叉領(lǐng)域研究成果還比較有限,對于需要同時考慮圖片信息及文本信息的業(yè)務(wù)場景深度學(xué)習(xí)仍有巨大的發(fā)揮潛力,本課題主要做了以下幾方面的工作:(1)介紹了本課題的背景及研究意義,闡述了本課題使用深度學(xué)習(xí)算法的必要性,并簡單概括總結(jié)了計算機視覺及自然語言處理的研究內(nèi)容及發(fā)展歷史;(2)針對深度學(xué)習(xí)在計算機視覺及自然語言處理領(lǐng)域的主要模型展開分析,對比了兩個領(lǐng)域中一些常用的模型及其優(yōu)缺點,為本課題的模型設(shè)計研究提供了啟發(fā)參考。(3)從圖片搜索日志中挖掘出了用于訓(xùn)練模型的高質(zhì)量圖片文本對數(shù)據(jù),為本課題提供了數(shù)據(jù)基礎(chǔ),并設(shè)計實現(xiàn)了基于深度學(xué)習(xí)的圖文相關(guān)性模型,同時針對模型細節(jié)進行優(yōu)化,在驗證集數(shù)據(jù)上測試模型效果。(4)本課題最終設(shè)計并提出了一個基于深度學(xué)習(xí)的圖文相關(guān)性模型,為需要對圖片與文字考量匹配度的場景提供了便利,并成功在圖片搜索業(yè)務(wù)場景下發(fā)揮作用,有效提高了圖片搜索引擎的排序能力,為用戶帶來了更好的搜索體驗,這也更進一步佐證了深度學(xué)習(xí)模型在工業(yè)界的強大威力。
[Abstract]:This paper introduces the background and significance of deep learning in the field of computer vision and natural language processing .

【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP181;TP391.1

【參考文獻】

相關(guān)期刊論文 前6條

1 陳威;緱錦;;采用Haar小波與Gabor小波特征的級聯(lián)式人臉檢測方法[J];華僑大學(xué)學(xué)報(自然科學(xué)版);2011年05期

2 丁怡心;廖勇毅;;高斯模糊算法優(yōu)化及實現(xiàn)[J];現(xiàn)代計算機(專業(yè)版);2010年08期

3 趙志宏;楊紹普;馬增強;;基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識別研究[J];系統(tǒng)仿真學(xué)報;2010年03期

4 袁春蘭;熊宗龍;周雪花;彭小輝;;基于Sobel算子的圖像邊緣檢測研究[J];激光與紅外;2009年01期

5 竇建軍,文俊,劉重慶;基于顏色直方圖的圖像檢索技術(shù)[J];紅外與激光工程;2005年01期

6 伯曉晨,劉建平;基于顏色直方圖的圖象檢索[J];中國圖象圖形學(xué)報;1999年01期

，

本文編號：1675860