以下叙述只是简单的叙述，CNN+RNN(LSTM,GRU)的应用相关文章还很多，而且研究的方向不仅仅是下文提到的1. CNN 特征提取，用于RNN语句生成图片标注。2. RNN特征提取用于CNN内容分类视频分类。3. CNN特征提取用于对话问答图片问答。还有很多领域，比如根据面目表情判断情感，用于遥感地图的标注，用于生物医学的图像解析，用于安全领域的防火实时监控等。而且现阶段关于CNN+RNN的研究应用相关文章更加多样，效果越来越好，我们可以通过谷歌学术参阅这些文章，而且大部分可免费下载阅读，至于付费的那就另说咯。
CNN与RNN对比
CNN卷积神经网络与RNN递归神经网络直观图
相同点：
传统神经网络的扩展。
前向计算产生结果，反向计算模型更新。
每层神经网络横向可以多个神经元共存,纵向可以有多层神经网络连接。
不同点：
CNN空间扩展，神经元与特征卷积；RNN时间扩展，神经元与多个时间输出计算
RNN可以用于描述时间上连续状态的输出，有记忆功能，CNN用于静态输出
CNN高级100+深度，RNN深度有限
CNN+RNN组合方式
1. CNN 特征提取，用于RNN语句生成图片标注。
2. RNN特征提取用于CNN内容分类视频分类。
3. CNN特征提取用于对话问答图片问答。
具体应用
1.图片标注
基本思路：
目标是产生标注的语句，是一个语句生成的任务，LSTM？描述的对象大量图像信息，图像信息表达，CNN？CNN网络中全连接层特征描述图片，特征与LSTM输入结合。
具体步骤：
模型设计－特征提取全连接层特征用来描述原图片LSTM输入：word＋图片特征；输出下一word。
模型设计－数据准备
图片CNN特征提取2. 图片标注生成Word2Vect 向量3. 生成训练数据：图片特征＋第n单词向量：第n＋1单词向量。
模型训练：
运用迁移学习，CNN特征，语句特征应用已有模型2. 最终的输出模型是LSTM，训练过程的参数设定：梯度上限(gradient clipping), 学习率调整(adaptivelearning)3. 训练时间很长。
模型运行：
CNN特征提取2. CNN 特征＋语句开头，单词逐个预测
2.视频行为识别
视频中在发生什么？
常用方法总结：
RNN用于CNN特征融合1. CNN 特征提取2. LSTM判断3. 多次识别结果分析。
不同的特征不同输出。
或者：所有特征作为一个输出。
RNN用于CNN特征筛选＋融合：
1.并不是所有的视频 图像包含确定分类信息
2. RNN用于确定哪些frame 是有用的3. 对有用的图像特征 融合。
RNN用于，目标检测：
1.CNN直接产生目标候选区
2. LSTM对产生候选区融合（相邻时刻位置近 似）
3. 确定最终的精确位置。
多种模型综合：
竞赛／应用中，为了产生最好结果，多采用 多模型ensemble形式。
3.图片／视频问答
问题种类：
图片问答意义：
1. 是对纯文本语言问答系统的扩展
2. 图片理解和语言处理的深度融合
3. 提高人工智能应用范围－观察，思考，表达
方法流程：
1.依旧按照语言问答流程解决
2.图片特征同语言特征融合
3.训练数据：问题＋图片----答案
模型设计－纯文字问答系统：
1.背景故事特征生成(word embedding)
2.问题特征生成
3.背景，问题特征融合
4.标准答案回归
模型设计－图片问答系统：
1.背景故事特征生成CNN
2.问题特征生成
3.背景，问题特征融合
4.标准答案回归----用以训练的数据：真值是什么？
模型优化-1
对图片特征向量进一步处理，建立CNN特征的 fisher特征
提高特征表达效率，更容易同encoding 特征组合
模型优化-2
用问题作为“候选区域”对原始CNN 特征图局部识别
模型优化-3
注意力图对图片问答帮助，根据问题产生第一次注意力图，然后最终注意力图，最后进行回答
什么在筐子里？
1筐子范围， 2 筐子里范围， 3 识别
模型优化小结
1.不同的优化结构方便不同类型的问题回答，数字／种类／抽象／二值判断
2.仍然是很新的研究问题，上述例子来源于 CVPR2016，学术价值应用价值都很大
3.人机交互中图片问答在 盲人辅助／教育／智能助手等方面大有可为