基于深度卷积模型的手写中文文本识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的背景和意义 | 第11-13页 |
| 1.2 课题研究现状 | 第13-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 论文章节安排 | 第17-19页 |
| 第2章 卷积神经网络 | 第19-26页 |
| 2.1 引言 | 第19页 |
| 2.2 卷积神经网络原理 | 第19-22页 |
| 2.2.1 卷积原理 | 第19-20页 |
| 2.2.2 池化原理 | 第20页 |
| 2.2.3 全连接层 | 第20-21页 |
| 2.2.4 损失函数 | 第21-22页 |
| 2.3 候选区域生成算法 | 第22-24页 |
| 2.3.1 边缘框算法 | 第22-23页 |
| 2.3.2 选择性搜索算法 | 第23页 |
| 2.3.3 区域提议网络 | 第23-24页 |
| 2.4 目标检测网络 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于改进VGG16 网络的手写数字识别 | 第26-34页 |
| 3.1 引言 | 第26页 |
| 3.2 基本原理 | 第26-31页 |
| 3.2.1 改进VGG16 模型 | 第26-27页 |
| 3.2.2 网络工作原理 | 第27-28页 |
| 3.2.3 学习率退火算法 | 第28-30页 |
| 3.2.4 数据增强 | 第30-31页 |
| 3.3 实验结果与分析 | 第31-33页 |
| 3.3.1 实验数据 | 第31-32页 |
| 3.3.2 实验结果 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于RRCNN网络的文本行定位 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 文本行检测网络 | 第34-35页 |
| 4.3 RRCNN网络 | 第35-40页 |
| 4.3.1 ZF-net基础卷积模型 | 第36-37页 |
| 4.3.2 RRPN区域提议网络 | 第37-38页 |
| 4.3.3 Proposals筛选机制 | 第38-39页 |
| 4.3.4 RROI Pooling原理 | 第39-40页 |
| 4.4 BLSTM网络 | 第40-41页 |
| 4.5 端到端网络训练 | 第41-43页 |
| 4.5.1 多任务损失函数 | 第41-42页 |
| 4.5.2 网络训练过程 | 第42-43页 |
| 4.6 实验分析 | 第43-47页 |
| 4.6.1 性能评估指标 | 第43页 |
| 4.6.2 测试结果 | 第43-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第5章 基于深度卷积网络的手写文本行识别 | 第48-62页 |
| 5.1 引言 | 第48页 |
| 5.2 文本行识别 | 第48-53页 |
| 5.2.1 DCN网络 | 第50-51页 |
| 5.2.2 Multi-BLSTM网络序列处理 | 第51-52页 |
| 5.2.3 CTC序列转录网络 | 第52-53页 |
| 5.3 语言模型约束 | 第53页 |
| 5.4 实验结果及分析 | 第53-57页 |
| 5.4.1 数据集 | 第53-54页 |
| 5.4.2 实验测试 | 第54-56页 |
| 5.4.3 语言模型测试 | 第56-57页 |
| 5.5 答题卡识别应用案例 | 第57-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 攻读硕士学位期间承担的科研任务与主要研究成果 | 第71-72页 |
| 致谢 | 第72页 |
