| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 门牌号码识别 | 第8-9页 |
| 1.2.2 卷积神经网络 | 第9-11页 |
| 1.3 主要工作和内容安排 | 第11-13页 |
| 第2章 相关理论基础 | 第13-21页 |
| 2.1 卷积神经网络 | 第13-16页 |
| 2.1.1 卷积层和池化层 | 第13-14页 |
| 2.1.2 训练过程 | 第14-16页 |
| 2.2 主流的卷积神经网络模型 | 第16-20页 |
| 2.2.1 LeNet-5模型 | 第16-17页 |
| 2.2.2 AlexNet模型 | 第17-18页 |
| 2.2.3 GoogLeNet模型 | 第18-19页 |
| 2.2.4 ResNet模型 | 第19-20页 |
| 2.3 小结 | 第20-21页 |
| 第3章 基于CNN结构优化的门牌号码识别方法 | 第21-37页 |
| 3.1 影响网络性能的因素 | 第21-24页 |
| 3.1.1 卷积神经网络的主要参数 | 第21-23页 |
| 3.1.2 权值初始化方法 | 第23-24页 |
| 3.2 K-Means算法概述 | 第24-26页 |
| 3.3 基于CNN结构优化的门牌号码识别方法 | 第26-29页 |
| 3.3.1 CNN结构的确定 | 第26-27页 |
| 3.3.2 K-Means算法初始化CNN模型的权重 | 第27-28页 |
| 3.3.3 基于CNN结构优化的门牌号码识别方法 | 第28-29页 |
| 3.4 仿真实验与性能分析 | 第29-35页 |
| 3.4.1 确定CNN网络结构 | 第29-32页 |
| 3.4.2 测试K-Means算法初始化CNN模型权重的有效性 | 第32-34页 |
| 3.4.3 与其他方法的对比 | 第34-35页 |
| 3.5 小结 | 第35-37页 |
| 第4章 基于CNN跨层特征融合的门牌号码识别方法 | 第37-49页 |
| 4.1 特征融合概述 | 第37-38页 |
| 4.2 数据降维概述 | 第38-40页 |
| 4.3 基于CNN跨层特征融合的门牌号码识别方法 | 第40-43页 |
| 4.3.1 WCF-CNN模型的建立 | 第40-42页 |
| 4.3.2 基于CNN跨层特征融合的门牌号码识别方法 | 第42-43页 |
| 4.4 仿真实验与性能分析 | 第43-47页 |
| 4.4.1 测试模型识别的有效性 | 第43-46页 |
| 4.4.2 对比各类数字的识别性能 | 第46-47页 |
| 4.5 小结 | 第47-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-59页 |
| 攻读硕士学位期间的研究成果 | 第59页 |
