基于嵌入式平台的乐谱图像识别系统
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究目的 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.2.1 社会意义 | 第12页 |
| 1.2.2 学术意义 | 第12-13页 |
| 1.3 乐谱图像识别的技术发展与市场产品概况 | 第13-16页 |
| 1.3.1 技术发展 | 第13-15页 |
| 1.3.2 市场概况 | 第15-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-19页 |
| 第二章 乐谱图像识别系统分析与设计 | 第19-30页 |
| 2.1 乐谱识别系统的方案设计 | 第19-22页 |
| 2.1.1 需求分析 | 第19-20页 |
| 2.1.2 方案设计 | 第20-22页 |
| 2.2 系统的硬件平台 | 第22-24页 |
| 2.2.1 模型训练与GPU服务器 | 第22-23页 |
| 2.2.2 模型部署与嵌入式处理器 | 第23-24页 |
| 2.3 系统的软件环境 | 第24-27页 |
| 2.3.1 Linux操作系统简介与优势 | 第24-26页 |
| 2.3.2 深度学习框架 | 第26-27页 |
| 2.4 音符数据集 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 乐谱图像识别系统的音符检测 | 第30-44页 |
| 3.1 通用目标检测技术 | 第30-34页 |
| 3.1.1 通用目标检测技术 | 第30-32页 |
| 3.1.2 目标检测算法的评价指标 | 第32-34页 |
| 3.2 乐谱图像中音符的区域建议 | 第34-39页 |
| 3.2.1 滑动窗口算法 | 第34-35页 |
| 3.2.2 图像金字塔 | 第35页 |
| 3.2.3 音符区域建议 | 第35-37页 |
| 3.2.4 FAST检测子 | 第37-39页 |
| 3.3 卷积神经网络用于音符检测 | 第39-43页 |
| 3.3.1 CNN在计算机视觉领域的成就 | 第39-41页 |
| 3.3.2 级联卷积神经网络用于音符前背景分类 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 音符的解释与重组 | 第44-54页 |
| 4.1 传统音符基元分析技术与图像分割技术 | 第44-47页 |
| 4.1.1 传统音符基元分析 | 第44页 |
| 4.1.2 图像分割技术 | 第44-47页 |
| 4.2 音符基元提取 | 第47-51页 |
| 4.2.1 分割数据的制作 | 第47-48页 |
| 4.2.2 音符基元分割算法 | 第48-51页 |
| 4.3 基元分析与音符重建 | 第51-53页 |
| 4.3.1 基元分析 | 第51页 |
| 4.3.2 音符重建 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 系统的优化、整合与测试 | 第54-59页 |
| 5.1 算法优化 | 第54-56页 |
| 5.1.1 级联CNN网络结构优化 | 第54-55页 |
| 5.1.2 音符基元分割网络优化 | 第55-56页 |
| 5.2 系统的整合 | 第56-57页 |
| 5.3 系统测试 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
