2020-08-21

   图像到文字的问题可以看做是一种机器翻译（目前的一种思想），在现在的机器翻译模型中，以LSTM为基础的seq2seq模型成为主流，该模型的基本思想是，对于一个数据pair (A, B)。因为A和B表达的是同一个意思，所以存在某种隐含状态h，使得A和B都对应到h。于是seq2seq模型就先对A进行编码，得到一个数据表示，再基于这个数据表示去解码，生成目标语言的文字。

   图像到文字也类似，假设存在某种隐含状态h，图像可以编码到h，而基于h可以生成目标语句。

原博文 https://blog.csdn.net/Hsuliaqing/article/details/104028751

我想的是能不能用骨骼提取来代替这个CNN，LSTM基础的seq2seq不变