想要实现着眼目标部分的语义描述，例如：杯子分为杯盖，杯身，柄，对他们进行功能描述，最终实现一个新物体，有相同的柄，可以理解为"grasp"，希望大家给点意见。看了《Joint Object and Part Segmentation using Deep Learned Potentials》和《Deep Visual-Semantic Alignments for Generating Image Descriptions》
Deep Visual-Semantic Alignments for Generating Image Descriptions 这个在哪里可以看到？