| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 课题研究的背景与意义 | 第11页 |
| 1.2 国内外研究发展现状 | 第11-14页 |
| 1.2.1 文本检测 | 第11-12页 |
| 1.2.2 文本分类 | 第12-13页 |
| 1.2.3 文本识别和Manifold Mixup | 第13-14页 |
| 1.3 论文的主要研究工作 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 2 相关工作 | 第17-24页 |
| 2.1 文本检测的相关工作 | 第17-21页 |
| 2.1.1 传统的文本检测方法 | 第17-18页 |
| 2.1.2 基于深度学习的文本检测方法 | 第18-21页 |
| 2.2 文本识别的相关工作 | 第21-23页 |
| 2.2.1 基于字符切分的文本识别方法 | 第21-22页 |
| 2.2.2 序列化的文本识别方法 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 TLDC文本检测与分类模型 | 第24-39页 |
| 3.1 目前方法的不足及改进 | 第24-25页 |
| 3.2 TLDC文本检测模型 | 第25-32页 |
| 3.2.1 模型结构 | 第25-28页 |
| 3.2.2 包围框紧密策略 | 第28-29页 |
| 3.2.3 文本类型分类 | 第29-30页 |
| 3.2.4 损失函数 | 第30-31页 |
| 3.2.5 连接文本提议 | 第31-32页 |
| 3.3 实验结果 | 第32-37页 |
| 3.3.1 MHDB数据集与评价标准 | 第32-34页 |
| 3.3.2 MHDB数据集上的实验结果 | 第34-37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 基于Mixup数据增强的METR的文本识别 | 第39-59页 |
| 4.1 文本识别流程的概述 | 第39-40页 |
| 4.2 文本识别数据集的合成 | 第40-44页 |
| 4.3 METR文本识别的模型结构 | 第44-54页 |
| 4.3.1 Densenet的特征提取 | 第44-46页 |
| 4.3.2 基于BLSTM结合上下文信息 | 第46-49页 |
| 4.3.3 结合CTC的文本行识别 | 第49-51页 |
| 4.3.4 Manifold Mixup策略 | 第51-52页 |
| 4.3.5 将Manifold Mixup策略应用于文本识别 | 第52-54页 |
| 4.4 实验结果 | 第54-58页 |
| 4.4.1 实验数据集与评价标准 | 第54-55页 |
| 4.4.2 病历图像数据集上的实验结果 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 未来工作的展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |