摘要

摘要：段落图像描述任务旨在生成一段连贯的文本，以描述给定的图像。然而，由于循环神经网络（RNN）或长短期记忆网络（LSTM）解码器在捕捉长距离依赖关系方面能力有限，难以生成具有较长篇幅且语义连贯的文本描述。此外，序列化解码器在训练过程中存在显著的效率问题。受卷积神经网络（CNN）优势的启发，本文提出一种具备长期记忆能力与并行计算特性的双CNN解码器（Dual-CNN），能够为图像生成语义连贯的段落描述。我们在斯坦福图像段落数据集（Stanford image-paragraph dataset）上对所提出的Dual-CNN模型进行了评估。大量实验结果表明，该模型在性能上可与当前最先进的方法相媲美。此外，通过分析生成段落的多样性和连贯性，进一步验证了本方法的优越性。