虽然是两年前的一篇论文了，但AK留给大家以供学习的代码依然广为流传（neuraltalk,neuraltalk2）感谢AK大神对我们这些newbie们铺的路。。但怎么能只会使用不懂原理呢？查了一下发现网上对这篇论文的解释却十分鲜有。虽然说文章中特别有新意的地方个人感觉确实也不是很多，但思路还是蛮清晰的，有很大的启发意义，也是值得一读。下面跟大家分享一下我对这篇文章的理解以及自己的一些想法吧～如有不对，请多指正！
注：只对文章整体流程以及部分重点内容进行摘要理解，并不是文章翻译。
Our approach leverages datasets of images and their sentence descriptions to learn about the inter-modal correspondences between language and visual data.
摘要第二句话就宏观的概括了全文。与最早期的m-RNN等模型相比，本文要leverage每张训练图片和对应
最低0.47元/天 解锁文章
2330
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
