| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 课题的研究背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 字符图像识别研究现状 | 第9-10页 |
| 1.2.2 图像检索研究现状 | 第10-11页 |
| 1.3 研究工作的内容及创新点 | 第11-13页 |
| 1.3.1 本文研究内容 | 第11-12页 |
| 1.3.2 本文创新点 | 第12-13页 |
| 1.4 论文结构框架 | 第13-14页 |
| 第2章 深度学习的特点、应用及改进 | 第14-25页 |
| 2.1 深度学习的特点 | 第14-18页 |
| 2.1.1 激活函数克服线性模型的局限性 | 第14-17页 |
| 2.1.2 多层网络解决单层神经网络的异或问题 | 第17-18页 |
| 2.2 深度学习的应用 | 第18-23页 |
| 2.2.1 常用深度学习模型 | 第18-20页 |
| 2.2.2 字符图像识别模型 | 第20-22页 |
| 2.2.2.1 字符图像识别传统模型 | 第20-21页 |
| 2.2.2.2 基于深度网络的字符图像识别模型 | 第21-22页 |
| 2.2.3 图像检索模型 | 第22-23页 |
| 2.3 深度学习的改进 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于扩展非线性核残差网络的字符识别算法 | 第25-39页 |
| 3.1 数据预处理 | 第26-27页 |
| 3.2 用于扩展非线性残差核的卷积神经网络构架 | 第27页 |
| 3.3 扩展非线性残差核模型 | 第27-30页 |
| 3.4 实验结果与分析 | 第30-34页 |
| 3.4.1 实验数据集及相关环境 | 第30-32页 |
| 3.4.1.1 字符数据集(MNIST数据集、SVHN数据集) | 第30-31页 |
| 3.4.1.2 实验相关环境 | 第31-32页 |
| 3.4.2 实验设计与实验效果 | 第32-34页 |
| 3.5 验证基于扩展非线性核残差网络算法设计的有效性 | 第34-36页 |
| 3.5.1 验证加入Dropout层后模型在字符识别中的有效性 | 第34-35页 |
| 3.5.2 验证设计宽度等级为2的卷积层模型在字符识别中的有效性 | 第35页 |
| 3.5.3 验证设计多级快捷连接后模型在字符识别中的有效性 | 第35-36页 |
| 3.5.4 实验结果 | 第36页 |
| 3.5.5 基于扩展非线性核模型设计实验分析 | 第36页 |
| 3.6 验证基于扩展非线性核残差网络算法应用的有效性 | 第36-37页 |
| 3.7 本章小结 | 第37-39页 |
| 第4章 扩展非线性核网络和哈希的图像检索算法 | 第39-50页 |
| 4.1 图像语义层次模型与深度模型 | 第39-40页 |
| 4.2 特征的相似性度量 | 第40-41页 |
| 4.3 基于图像哈希方法的图像检索 | 第41-45页 |
| 4.4 基于扩展非线性核残差网络和哈希的图像检索算法 | 第45-48页 |
| 4.5 实验结果与分析 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 附录1 攻读硕士学位期间获得的成果奖励 | 第58-59页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第59页 |
