| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 脱机手写汉字识别研究现状 | 第13-14页 |
| 1.2.2 手写体汉字美感分析研究现状 | 第14-15页 |
| 1.3 技术难点 | 第15-16页 |
| 1.4 论文研究内容与结构安排 | 第16-18页 |
| 第二章 深度学习概述 | 第18-30页 |
| 2.1 深度学习基本概念 | 第18-19页 |
| 2.2 深度学习常用模型 | 第19-26页 |
| 2.2.1 卷积神经网络 | 第19-22页 |
| 2.2.2 深度信念网络 | 第22-24页 |
| 2.2.3 栈式自编码网络 | 第24-25页 |
| 2.2.4 循环神经网络 | 第25-26页 |
| 2.3 深度学习在图像处理领域的应用 | 第26-28页 |
| 2.3.1 物体分类 | 第27页 |
| 2.3.2 目标检测 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 手写汉字检测与识别 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 手写汉字检测模型 | 第30-35页 |
| 3.2.1 技术背景与技术难点 | 第30-31页 |
| 3.2.2 模型特点 | 第31页 |
| 3.2.3 Faster-RCNN | 第31-32页 |
| 3.2.4 细粒度候选区域连接检测 | 第32-33页 |
| 3.2.5 循环连接文本候选区域 | 第33-34页 |
| 3.2.6 边缘细化 | 第34-35页 |
| 3.2.7 损失输出与损失函数 | 第35页 |
| 3.3 手写汉字识别模型 | 第35-40页 |
| 3.3.1 技术背景与现存问题 | 第35-36页 |
| 3.3.2 模型特点 | 第36页 |
| 3.3.3 GoogLeNet网络 | 第36-37页 |
| 3.3.4 HCCR-GoogLeNet网络结构 | 第37-39页 |
| 3.3.5 手写汉字特征提取 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 手写汉字美感评分 | 第42-54页 |
| 4.1 引言 | 第42页 |
| 4.2 汉字书写美感评价一般标准 | 第42-45页 |
| 4.3 基于相似度检索策略的手写汉字美感评分方法 | 第45-50页 |
| 4.3.1 手写汉字特征提取CNN网络 | 第45-47页 |
| 4.3.2 CNN网络监督信号 | 第47-48页 |
| 4.3.3 相似度检索和美感评分方法 | 第48-50页 |
| 4.4 基于CNN特征与结构特征的手写汉字评分 | 第50-52页 |
| 4.4.1 手写汉字结构特征 | 第50-51页 |
| 4.4.2 基于手写汉字结构特征的美感评价 | 第51页 |
| 4.4.3 手写汉字CNN特征与结构特征美感评分结合 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 系统实现及实验结果分析 | 第54-66页 |
| 5.1 实验数据集 | 第54-55页 |
| 5.2 手写汉字识别与美感评分系统 | 第55-60页 |
| 5.2.1 手写汉字检测网络 | 第56-57页 |
| 5.2.2 图片预处理 | 第57-58页 |
| 5.2.3 手写汉字识别网络 | 第58-59页 |
| 5.2.4 评分汉字筛选器 | 第59-60页 |
| 5.2.5 手写汉字美感评分 | 第60页 |
| 5.3 实验结果分析 | 第60-64页 |
| 5.3.1 手写汉字检测效果分析 | 第60-61页 |
| 5.3.2 手写汉字识别效果分析 | 第61-62页 |
| 5.3.3 手写汉字美感评分效果分析 | 第62-63页 |
| 5.3.4 系统整体效果分析 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-70页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 研究展望 | 第67-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |