Nghiên cứu ứng dụng học sâu để tạo mô tả hình ảnh tự động, sử dụng mạng CNN trích xuất đặc trưng, RNNs (LSTM, GRU) sinh văn bản và cơ chế chú ý cải thiện chất lượng. Mục tiêu là tạo mô tả chính xác, đầy đủ ngữ nghĩa, hỗ trợ tìm kiếm ảnh, người khiếm thị và tương tác người-máy.

Từ khóa:

Mô tả hình ảnh; Mạng tích chập, Mạng Transformer

Abstract:

The study applies deep learning to automate image captioning, utilizing CNNs for feature extraction, RNNs (LSTM, GRU) for text generation, and the attention mechanism to enhance quality. The objective is to produce accurate, semantically rich descriptions, supporting image retrieval, aiding the visually impaired, and facilitating human-machine interaction.

Key word:

Image captioning; CNN, RNN, Transformer