卷积深度置信网络在文本识别中的应用研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 相关技术及研究现状 | 第9-15页 |
| 1.2.1 自然场景图像中文本识别的困难 | 第9-10页 |
| 1.2.2 现有自然场景文本检测的方法 | 第10-12页 |
| 1.2.3 现有文本识别的方法 | 第12-14页 |
| 1.2.4 深度学习的研究现状 | 第14-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 2 最大稳定极值区域的文本定位 | 第18-24页 |
| 2.1 最大稳定极值区域算法概念 | 第18页 |
| 2.2 最大稳定极值区域算法基本思想 | 第18-19页 |
| 2.3 最大稳定极值区域算法的实现 | 第19-20页 |
| 2.4 最大稳定极值区域算法的文本定位流程 | 第20-22页 |
| 2.4.1 对MSER的边缘增强 | 第20-21页 |
| 2.4.2 笔画宽度变换的实现 | 第21页 |
| 2.4.3 文本区域组合 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 深度学习的相关理论 | 第24-34页 |
| 3.1 深度学习理论 | 第24页 |
| 3.2 深度学习常见模型 | 第24-30页 |
| 3.2.1 卷积神经网络 | 第24-25页 |
| 3.2.2 受限玻尔兹曼机 | 第25-29页 |
| 3.2.3 深度置信网络 | 第29-30页 |
| 3.3 分类器 | 第30-33页 |
| 3.3.1 支持向量机 | 第30-32页 |
| 3.3.2 Softmax分类器 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 卷积深度置信网络的自然场景文本识别 | 第34-42页 |
| 4.1 卷积深度置信网络的相关介绍 | 第34-37页 |
| 4.1.1 卷积受限波尔兹曼机 | 第34-35页 |
| 4.1.2 卷积深度置信网络 | 第35-37页 |
| 4.2 卷积深度置信网络的文本特征提取 | 第37-38页 |
| 4.2.1 卷积深度置信网络的文本识别过程 | 第37页 |
| 4.2.2 卷积深度置信网络的特征提取 | 第37-38页 |
| 4.3 自然场景文本识别的流程 | 第38-40页 |
| 4.4 自然场景文本识别方法实例化 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 5 实验与分析 | 第42-52页 |
| 5.1 实验平台 | 第42页 |
| 5.2 实验模型参数 | 第42页 |
| 5.3 实验数据集与评价协议 | 第42-44页 |
| 5.3.1 ICDAR2011数据集 | 第43页 |
| 5.3.2 SVT数据集 | 第43-44页 |
| 5.4 实验数据及结果分析 | 第44-51页 |
| 5.4.1 文本检测的实验结果 | 第44-45页 |
| 5.4.2 文本识别的实验结果 | 第45-46页 |
| 5.4.3 影响因素的分析 | 第46-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 附录 | 第62页 |
