報告內容
（泛讀靠自覺，精讀要深刻，進展需顯著）
論文精讀
論文1：（作者，題目，發表信息）
作者：Andrea Frome*, Greg S. Corrado*, Jonathon Shlens*, Samy Bengio,Jeffrey Dean，Marc‘Aurelio Ranzato，Tomas Mikolov（谷歌公司）
題目：【NIPS2013】DeViSE: A Deep Visual-Semantic Embedding Model（深層視覺語義嵌入模型）
問題動機：通過對數據集的訓練實現根據圖片進行零樣本預測語義標籤
解決思路：
方法亮點：
1）視覺神經網絡模型與語義模型組合； （2）兩網絡進行預訓練，並將參數傳遞給聯合模型； （3）使用了兩種評估標準分別與主流方法進行比較； （4）比較了不同難度的數據集預測情況； （5）兩種版本預測內容（訓練標籤與零樣本標籤）不同。
主要結果：根據圖片預測標籤，並進行分類
存在問題：
關於能否解決自己問題的思考：DeViSE+1K和DeViSE+0 表示是否預測未出現的標籤
論文2：（作者，題目，發表信息）
題目：【CVPR2016】Learning deep representations of fine grained visual descriptions.（細粒度視覺描述的深層表示）
作者：密歇根大學，馬克斯-普朗克信息學研究所
Scott Reed1 , Zeynep Akata2 , Honglak Lee1 and Bernt Schiele
問題動機：
解決思路：
方法亮點：（1）深層聯合結構（2）文本編碼器模型函數
主要結果：
存在問題：
關於能否解決自己問題的思考：目標函數和損失函數的定義值得學習（雙向損失函數）
研究進展
方法進展（反映思考深入程度）：
實驗進展（反映Coding工作量）：
