多模態(tài)深度學(xué)習(xí)技術(shù)基礎(chǔ)

第1章 緒論
1.1 多模態(tài)信息處理的概念
1.2 多模態(tài)信息處理的難點
1.3 使用深度學(xué)習(xí)技術(shù)的動機
1.4 多模態(tài)信息處理的基礎(chǔ)技術(shù)
1.4.1 表示技術(shù)
1.4.2 對齊技術(shù)
1.4.3 融合技術(shù)
1.4.4 轉(zhuǎn)換技術(shù)
1.5 多模態(tài)深度學(xué)習(xí)技術(shù)的發(fā)展歷史
1.6 小結(jié)
1.7 習(xí)題
第2章 多模態(tài)任務(wù)
2.1 圖文跨模態(tài)檢索
2.1.1 數(shù)據(jù)集
2.1.2 評測指標
2.2 圖像描述
2.2.1 數(shù)據(jù)集
2.2.2 評測指標
2.3 視覺問答
2.3.1 數(shù)據(jù)集
2.3.2 評測指標
2.4 文本生成圖像
2.4.1 數(shù)據(jù)集
2.4.2 評測指標
2.5 指稱表達
2.5.1 數(shù)據(jù)集
2.5.2 評測指標
2.6 小結(jié)
2.7 習(xí)題
第3章 文本表示
3.1 基于詞嵌入的靜態(tài)詞表示
3.1.1 Word2vec
3.1.2 GloVe
3.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的動態(tài)詞表示
3.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
3.2.2 現(xiàn)代循環(huán)神經(jīng)網(wǎng)絡(luò)
3.2.3 動態(tài)詞表示和整體表示
3.3 基于注意力的預(yù)訓(xùn)練語言模型表示
3.3.1 自注意力
3.3.2 transformer編碼器
3.3.3 BERT
3.3.4 BERT詞表示和整體表示
3.4 小結(jié)
3.5 習(xí)題
第4章 圖像表示
4.1 基于卷積神經(jīng)網(wǎng)絡(luò)的整體表示和網(wǎng)格表示
4.1.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
4.1.2 現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)
4.1.3 整體表示和網(wǎng)格表示
4.2 基于目標檢測模型的區(qū)域表示
4.2.1 基于深度學(xué)習(xí)的目標檢測基礎(chǔ)
4.2.2 區(qū)域表示
4.3 基于視覺transformer的整體表示和塊表示
4.3.1 使用自注意力代替卷積
4.3.2 視覺transformer
4.3.3 整體表示和塊表示
4.4 基于自編碼器的壓縮表示
4.4.1 量化自編碼器：VQ-VAE
4.4.2 量化生成對抗網(wǎng)絡(luò)：VQGAN
4.4.3 變分生成對抗網(wǎng)絡(luò)：KLGAN
4.4.4 壓縮表示
4.5 小結(jié)
4.6 習(xí)題
第5章 多模態(tài)表示
5.1 共享表示
5.1.1 多模態(tài)深度自編碼器
5.1.2 多模態(tài)深度生成模型
5.2 對應(yīng)表示
5.2.1 基于重構(gòu)損失的方法
5.2.2 基于排序損失的方法
5.2.3 基于對抗損失的方法
5.3 實戰(zhàn)案例：基于對應(yīng)表示的跨模態(tài)檢索
5.3.1 跨模態(tài)檢索技術(shù)簡介
5.3.2 模型訓(xùn)練流程
5.3.3 讀取數(shù)據(jù)
5.3.4 定義模型
5.3.5 定義損失函數(shù)
5.3.6 選擇優(yōu)化方法
5.3.7 評估指標
5.3.8 訓(xùn)練模型
5.4 小結(jié)
5.5 習(xí)題
第6章 多模態(tài)對齊
6.1 基于注意力的方法
6.1.1 交叉注意力
6.1.2 基于交叉注意力的圖文對齊和相關(guān)性計算
6.2 基于圖神經(jīng)網(wǎng)絡(luò)的方法
6.2.1 圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
6.2.2 單模態(tài)表示提取
6.2.3 單模態(tài)圖表示學(xué)習(xí)
6.2.4 多模態(tài)圖對齊
6.3 實戰(zhàn)案例：基于交叉注意力的跨模態(tài)檢索
6.3.1 讀取數(shù)據(jù)
6.3.2 定義模型
6.3.3 定義損失函數(shù)
6.3.4 選擇優(yōu)化方法
6.3.5 評估指標
6.3.6 訓(xùn)練模型
6.4 小結(jié)
6.5 習(xí)題
第7章 多模態(tài)融合
7.1 基于雙線性融合的方法
7.1.1 多模態(tài)低秩雙線性池化
7.1.2 多模態(tài)因子雙線性池化
7.1.3 多模態(tài)Tucker融合
7.2 基于注意力的方法
7.2.1 基于交叉注意力的基礎(chǔ)方法
7.2.2 基于多步交叉注意力的方法
7.2.3 基于交叉transformer編碼器的方法
7.3 實戰(zhàn)案例：基于MFB的視覺問答
7.3.1 視覺問答技術(shù)簡介
7.3.2 讀取數(shù)據(jù)
7.3.3 定義模型
7.3.4 定義損失函數(shù)
7.3.5 選擇優(yōu)化方法
7.3.6 選擇評估指標
7.3.7 訓(xùn)練模型
7.4 小結(jié)
7.5 習(xí)題
第8章 多模態(tài)轉(zhuǎn)換
8.1 基于編解碼框架的方法
8.1.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的編解碼模型
8.1.2 基于注意力的編解碼模型
8.1.3 基于transformer的編解碼模型
8.2 基于生成對抗網(wǎng)絡(luò)的方法
8.2.1 基于條件生成對抗網(wǎng)絡(luò)的基本方法
8.2.2 基于多階段生成網(wǎng)絡(luò)的方法
8.2.3 基于注意力生成網(wǎng)絡(luò)的方法
8.3 實戰(zhàn)案例：基于注意力的圖像描述
8.3.1 圖像描述技術(shù)簡介
8.3.2 讀取數(shù)據(jù)
8.3.3 定義模型
8.3.4 定義損失函數(shù)
8.3.5 選擇優(yōu)化方法
8.3.6 選擇評估指標
8.3.7 訓(xùn)練模型
8.4 小結(jié)
8.5 習(xí)題
第9章 多模態(tài)預(yù)訓(xùn)練
9.1 總體框架
9.2 預(yù)訓(xùn)練數(shù)據(jù)集
9.3 模型結(jié)構(gòu)
9.3.1 基于編碼器的模型
9.3.2 基于編解碼框架的模型
9.4 預(yù)訓(xùn)練任務(wù)
9.4.1 掩碼語言模型
9.4.2 掩碼視覺模型
9.4.3 圖像文本匹配
9.4.4 跨模態(tài)對比學(xué)習(xí)
9.5 下游任務(wù)
9.5.1 視覺常識推理
9.5.2 視覺語言推理
9.5.3 視覺蘊含
9.6 典型模型
9.6.1 基于融合編碼器的雙流模型：LXMERT
9.6.2 基于融合編碼器的單流模型：V