彭姣丽 李凌云 孙 兴 骆又麟 肖柏元

（湖南环境生物职业技术学院，湖南 衡阳 421000）

0 引言

自动生成图像描述（Image Captioning）[1]可以是在理解图像的基础上，根据输入图像的内容自动生成相应的描述性语句，这种描述性语句为文本形式，其本质是辅助计算机理解图像。图像描述的早期研究主要集中在提取低级特征上，例如对图像边缘、拐角和光流进行特征提取。随着具有高质量标注的大规模图像数据集和大幅度提高运算速度的硬件创新图像处理器出现，深度神经网络重新进入人们的视野[2]。在深度神经网络的相关方法中，卷积神经网络（Convolutional Neural Network，CNN）解决了计算机视觉领域中的许多问题，而循环神经网络（Recurrent Neural Network，RNN）和长短期记忆网络（Long Short-Term Memory，LSTM）被广泛应用于序列学习，例如机器翻译和图像描述等[3]。

与人工智能领域的其他算法相比，深度学习有很好的特征学习能力，在图像识别、文本分类、图像描述和故障检测等领域中都得到了广泛应用，具有较高的研究价值，受到社会各个领域专家、学者的青睐[4]。因此，将深度学习技术应用到自动生成图像描述问题中，具有非常重要的研究价值和应用价值。

1 深度学习网络架构

1.1 感知机

感知机可以接收多个输入信号，最后输出1 个信号。输入信号被送往神经元，分别乘以固定的权重，以计算送过来的信号总和，通过判断总和是否超过某个界限值来判断是否输出。感知机的模型如图1 所示。

图1 感知机模型

感知机接收2 个输入信号（x1、x2），输出信号为y，如公式（1）所示。……