1、引言
本文的主要注意力在为图片用段落描述，该任务不同于用一句话描述图片。首先作者回顾了相关研究背景。用句子描述图片往往所含的信息有限，目前主要的方法为排序检索、模板套用、直接生成，第三种是目前的研究热点，且第三种方法又演变成一个dense caption的任务，也就是获取图片的多个重要区域，为每个区域用一句话描述，然后结合所有的句子，形成dense caption。这个也有缺点，就是句子之间不连贯。本文提出一种模型，利用物体识别将图片划分几个区域，同时利用层次RNN将段落划分为几个句子，形成对应关系，完成段落生成的任务。本文也说明了image caption和hierarchical RNN（层次RNN）的研究现状，其中层次RNN是另一种避免RNN中梯度消失和梯度爆炸的方法。本文的主要注意力在为图片用段落描述，该任务不同于用一句话描述图片。首先作者回顾了
