Deep Visual-Semantic Alignments for Generating Image Descriptions

• 类型：arxiv
• 标识：1412.2306
• 链接：https://arxiv.org/abs/1412.2306
• 主题：database
• 主分类：risk
• 形态：method
• 被引：6111
• 被引来源：Semantic Scholar
• S2被引：6111
• OpenAlex被引：148
• 影响力被引：513
• TLDR：A model that generates natural language descriptions of images and their regions based on a novel combination of Convolutional Neural Networks over image regions, bidirectional Recurrent Neural Networks over sentences, and a structured objective that aligns the two modalities through a multimodal embedding is presented.
• OpenAlex ID：W2951805548
• OpenAlex DOI：10.48550/arxiv.1412.2306
• DOI：10.48550/arxiv.1412.2306
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1412.2306
• OpenAlex更新：2026-08-03
• 待LLM分类：否
• 标题中文：用于生成图像描述的深度视觉-语义对齐
• TLDR中文：提出一个模型，基于图像区域上的 CNN、句子上的双向 RNN 以及通过多模态嵌入对齐两种模态的结构化目标，生成图像及其区域的自然语言描述。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]