基于卷积神经网络的自然场景多方向文本检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 主要工作和章节安排 | 第13-17页 |
| 第2章 文本区域检测算法的相关技术 | 第17-29页 |
| 2.1 神经网络 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.2.1 卷积神经网络特征 | 第20-21页 |
| 2.2.2 卷积神经网络结构 | 第21-22页 |
| 2.3 全卷积神经网络 | 第22-23页 |
| 2.3.1 全卷积神经网络特点 | 第22-23页 |
| 2.3.2 全卷积神经网络在文本检测中的应用 | 第23页 |
| 2.4 文本区域检测相关数据集 | 第23-25页 |
| 2.4.1 ICDAR2015 数据集 | 第24页 |
| 2.4.2 MSRA-TD500 数据集 | 第24-25页 |
| 2.5 文本区域检测的评估方法 | 第25-26页 |
| 2.6 本章小结 | 第26-29页 |
| 第3章 基于回归预测的深度监督检测模型 | 第29-45页 |
| 3.1 基于回归预测的深度监督检测模型 | 第29-36页 |
| 3.1.1 ResNet-50 网络 | 第30-32页 |
| 3.1.2 深度监督机制 | 第32-34页 |
| 3.1.3 多方向文本检测 | 第34-35页 |
| 3.1.4 损失函数 | 第35-36页 |
| 3.2 模型的训练 | 第36-38页 |
| 3.2.1 数据集标签的制作 | 第37页 |
| 3.2.2 数据预处理 | 第37-38页 |
| 3.2.3 模型训练环境及相关参数 | 第38页 |
| 3.3 后处理优化 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-45页 |
| 第4章 基于语义分割的深度监督检测模型 | 第45-61页 |
| 4.1 基于语义分割的深度监督检测模型 | 第45-50页 |
| 4.1.1 VGG网络 | 第46-47页 |
| 4.1.2 深度监督机制 | 第47-48页 |
| 4.1.3 多方向文本检测 | 第48-49页 |
| 4.1.4 损失函数 | 第49-50页 |
| 4.2 模型的训练与后处理 | 第50-52页 |
| 4.2.1 标签制作 | 第50-51页 |
| 4.2.2 预处理 | 第51页 |
| 4.2.3 模型训练环境及相关参数 | 第51页 |
| 4.2.4 后处理 | 第51-52页 |
| 4.3 实验及分析 | 第52-55页 |
| 4.4 语义分割模型与回归预测模型的比较 | 第55-58页 |
| 4.5 本章小结 | 第58-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间所发表的学术论文 | 第67-69页 |
| 致谢 | 第69页 |
