• مقدمه (14)
  • مقدمه (14)
  • تعریف مسئله (15)
  • اهمیت موضوع (17)
  • اهداف پژوهش (18)
  • دستاوردها و نوآوری‌های پژوهش (18)
  • ساختار پایان‌نامه (19)
  • جمع‌بندی (19)
• مفاهیم اولیه (20)
  • مقدمه (20)
  • یادگیری تباینی (21)
  • مبدل (22)
  • مبدل‌های بینایی (25)
    • ساختار و نحوه عملکرد (25)
  • مدل‌های متنی-تصویری (26)
    • ساختار مدل‌های متنی-تصویری (26)
    • نحوه آموزش مدل‌های متنی-تصویری (27)
  • مدل YOLO (28)
    • معماری YOLO (28)
    • عملکرد YOLO (28)
  • معرفی SpaCy (29)
  • جمع‌بندی (30)
• پژوهش‌های پیشین (32)
  • مدل‌های پایه متنی-تصویری (32)
    • مدل CLIP (32)
    • مدل ALIGN (34)
  • بررسی روش‌های کارآمد آموزش مدل‌های متنی-تصویری (35)
    • مدل‌های کارآمد از نظر داده (35)
    • مدل‌های کارآمد از نظر پارامتر (36)
  • هم‌ترازی ریزدانه در مدل‌های متنی-تصویری (38)
    • هم‌ترازی ضمنی اجزاء متنی-تصویری (38)
    • هم‌ترازی مستقیم بازنمائی اجزاء متنی-تصویری (39)
  • جمع‌بندی (43)
• روش‌‌ پیشنهادی (45)
  • پیش‌پردازش (45)
  • معماری مدل (47)
  • اهداف آموزشی (49)
  • استنتاج (52)
  • جمع‌بندی (52)
• آزمایشات و نتایج تجربی (54)
  • مجموعه‌داده‌های مورد استفاده (54)
    • مجموعه‌داده Visual Genome (54)
    • مجموعه‌داده MSCOCO (55)
    • مجموعه‌داده Flickr30K (55)
  • برپایش تجربی (56)
  • سنجه‌های ارزیابی (58)
    • فراخوانی رتبه‌ای (58)
    • دقت دسته‌بندی (59)
  • بازیابی تصویر-متن به صورت بدون نمونه (59)
    • نتایج و تحلیل (60)
  • ارزیابی مدل بر روی محک‌های ترکیبی (61)
    • محک ARO برای ارزیابی درک ویژگی‌ها و روابط (61)
    • محک SVO-Probes برای ارزیابی درک ویژگی‌ها و روابط (62)
    • تحلیل عملکرد مدل پیشنهادی در محک‌های ترکیبی (62)
  • ارزیابی روش پیشنهادی در دسته‌بندی بدون نمونه (64)
  • تنظیم ابر‌پارامترها (65)
  • مطالعه فرسایش (66)
    • تحلیل اجزاء تابع هزینه (67)
    • تحلیل معماری شبکه (67)
    • تحلیل تعداد لایه‌های شبکه (67)
  • تصویری‌سازی (68)
    • تحلیل ماتریس‌های شباهت (69)
    • تحلیل تفاوت‌های مدل پیشنهادی با CLIP (69)
  • جمع‌بندی (71)
• جمع‌بندی و کارهای آتی (72)
  • جمع‌بندی (72)
  • بررسی نقاط قوت و ضعف (73)
  • کارهای آتی (74)
• مراجع (75)
• واژه‌نامه (80)