《表4 不同方法在MSCOCO数据集上的效果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合约束学习的图像字幕生成方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示效果最优，“—”表示结果未知。

不同方法在MSCOCO数据集上的效果对比如表4所示。表4中，DeepVS（deep visual-semantic）是Karpathy和Li（2015）提出的一种图像字幕生成方法，该方法结合了目标检测方法，通过对图像中各个物体的精准识别，获取到更好的图像特征，从而在预测过程中提高了生成字幕在评价指标上的得分。NIC（neural image caption）是由Vinyals等人（2015）提出的，该方法将编码器—解码器框架应用于图像字幕生成任务，使用CNN作为编码器，LSTM作为解码器，最终形成一个端到端的字幕生成网络。gL-STM（guiding long-short term memory）是由Jia等人（2015）提出的，该方法在使用LSTM生成字幕时额外加入了新的指导信息以提高生成字幕的质量。RLF（reinforcement learning with feedback）由Ling和Fidler（2017）提出，该方法在强化学习的基础上加入了一个反馈网络以达到指导网络生成字幕的目的。IRBO（image description generation by modeling the relationship between objects）是Bai等人（2018）提出的一种通过目标检测方法提取图像特征并在对象之间建立关系模型的方法，该方法根据对象及对象之间的关系生成图像字幕。FFGS（feature fusion with gating structure）是Yuan等人（2017）提出的另一种图像字幕生成方法，该方法提出一种基于门控结构的特征融合方法，将不同维度的图像特征融合并输入到LSTM网络进行字幕生成。