针对图像中文描述中传统循环神经网络(RNN)结构不利于生成长句、缺乏细节语义信息的问题，提出一种用Transformer多头注意力(multi-head attention, MHA)网络，融合粗粒度的全局特征和细粒度的区域目标实体特征方法.该方法通过多尺度特征的融合，使图像注意力更易聚焦于细粒度的目标区域，得到更具细粒度语义特征的图像表示，从而有效改善了图像描述.在数据集ICC上使用多种评价指标进行验证，结果表明，该模型在各项指标上均取得了更好的图像描述效果.
科研之友
微信
新浪微博
Facebook
分享链接
