[1] [1] 1李沛卓， 万雪， 李盛阳. 基于多模态学习的空间科学实验图像描述［J］. 光学 精密工程， 2021， 29（12）： 2944-2955. doi: 10.37188/OPE.2021.0244LIP ZH， WANX， LISH Y. Image caption of space science experiment based on multi-modal learning［J］. Optics and Precision Engineering， 2021， 29（12）： 2944-2955.（in Chinese）. doi: 10.37188/OPE.2021.0244

[2] [2] 2赵海英， 周伟， 侯小刚， 等. 多标签分类的传统民族服饰纹样图像语义理解［J］. 光学 精密工程， 2020， 28（3）： 695-703. doi: 10.3788/OPE.20202803.0695ZHAOH Y， ZHOUW， HOUX G， et al. Multi-label classification of traditional national costume pattern image semantic understanding［J］. Opt. Precision Eng.， 2020， 28（3）： 695-703.（in Chinese）. doi: 10.3788/OPE.20202803.0695

[3] ANDERSON P, HE X D, BUEHLER C et al. Bottom-up and top-down attention for image captioning and visual question answering[C], 6077-6086(2018).

[4] [4] 4周自维， 王朝阳， 徐亮. 基于融合门网络的图像理解算法设计与应用［J］. 光学 精密工程， 2021， 29（4）： 906-915. doi: 10.37188/OPE.20212904.0906ZHOUZ W， WANGCH Y， XUL. Design and application of image captioning algorithm based on fusion gate neural network［J］. Optics and Precision Engineering， 2021， 29（4）： 906-915.（in Chinese）. doi: 10.37188/OPE.20212904.0906

[5] [5] 5盖荣丽， 蔡建荣， 王诗宇， 等. 卷积神经网络在图像识别中的应用研究综述［J］. 小型微型计算机系统， 2021， 42（9）： 1980-1984. doi: 10.3969/j.issn.1000-1220.2021.09.030GAIR L， CAIJ R， WANGSH Y， et al. Research review on image recognition based on deep learning［J］. Journal of Chinese Computer Systems， 2021， 42（9）： 1980-1984.（in Chinese）. doi: 10.3969/j.issn.1000-1220.2021.09.030

[6] WANG J, TANG J H, YANG M K et al. Improving OCR-based image captioning by incorporating geometrical relationship[C], 1306-1315(2021).

[7] XU K, BA J L, KIROS R et al. Show， attend and tell： neural image caption generation with visual attention[C], 2048-2057(11).

[8] KULKARNI G, PREMRAJ V, ORDONEZ V et al. Babytalk： understanding and generating simple image descriptions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35, 2891-2903(2013).

[9] ELLIOTT D, DE V A. Describing images using inferred visual dependency representations[C], 42-52(2015).

[10] TANTI M, GATT A, CAMILLERI K P. What is the Role of Recurrent Neural Networks （RNNs） in an Image Caption Generator？[webpage]. arXiv, 1708-02043(2017). https：//arxiv.org/abs/1708.02043

[11] CHO M, HAN B. Text-guided attention model for image captioning[C], 4233-4239(2017).

[12] LIU S Q, ZHU Z H, YE N et al. Improved image captioning via policy gradient optimization of SPIDEr[C], 873-881(2017).

[13] BANSAL M, KUMAR M, SACHDEVA M et al. Transfer learning for image classification using VGG19： Caltech-101 image data set[J]. Journal of Ambient Intelligence and Humanized Computing(2021).

[14] SHAHA M, PAWAR M. Transfer learning for image classification[C], 656-660(2018).

[15] HUANG L, WANG W M, CHEN J et al. Attention on attention for image captioning[C], 4633-4642(2019).

[16] [16] 16陈佛计， 朱枫， 吴清潇， 等. 生成对抗网络及其在图像生成中的应用研究综述［J］. 计算机学报， 2021， 44（2）： 347-369. doi: 10.11897/SP.J.1016.2021.00347CHENF J， ZHUF， WUQ X， et al. A survey about image generation with generative adversarial nets［J］. Chinese Journal of Computers， 2021， 44（2）： 347-369.（in Chinese）. doi: 10.11897/SP.J.1016.2021.00347

[17] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C], 7132-7141(2018).

[18] MAZZIA V, SALVETTI F, CHIABERGE M. Efficient-CapsNet： capsule network with self-attention routing[J]. Scientific Reports, 11, 14634(2021).

[19] MATHEWS A, XIE L X, HE X M. SentiCap： generating image descriptions with sentiments[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 30, 3574-3580(2016).

[20] DAI B, FIDLER S, URTASUN R et al. Towards diverse and natural image descriptions via a conditional GAN[C], 2989-2998(2017).

[21] WANG Q L, WU B G, ZHU P F et al. ECA-net： efficient channel attention for deep convolutional neural networks[C], 11531-11539(2020).

[22] PARK J, LEE J Y et al[M]. CBAM： Convolutional Block Attention Module, 3-19(2018).