| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 本文的主要研究工作 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 2 相关工作基础 | 第20-30页 |
| 2.1 基于区域的文本检测 | 第20-24页 |
| 2.1.1 基于笔画宽度变换的文本检测算法 | 第20-22页 |
| 2.1.2 基于最大稳定极值区域的文本检测算法 | 第22-24页 |
| 2.2 基于纹理的文本检测 | 第24-25页 |
| 2.2.1 基于随机蕨算法的文本检测识别 | 第24-25页 |
| 2.3 现有工作的不足与解决方案 | 第25-28页 |
| 2.4 小结 | 第28-30页 |
| 3 半自动标注工具 | 第30-37页 |
| 3.1 数据集介绍 | 第30-34页 |
| 3.1.1 ICDAR2003数据集 | 第30-32页 |
| 3.1.2 SVT数据集 | 第32-34页 |
| 3.2 半自动标注工具 | 第34-36页 |
| 3.3 小结 | 第36-37页 |
| 4 基于卷积神经网络的文本检测 | 第37-51页 |
| 4.1 相关介绍 | 第37-42页 |
| 4.1.1 卷积神经网络发展的介绍 | 第37-38页 |
| 4.1.2 卷积神经网络的网络结构 | 第38-40页 |
| 4.1.3 卷积神经网络的训练过程 | 第40-42页 |
| 4.2 基于卷积神经网络的文本特征提取 | 第42-45页 |
| 4.2.1 卷积神经网络进行文本检测的过程 | 第42-43页 |
| 4.2.2 卷积特征提取 | 第43-45页 |
| 4.3 实验结果与分析 | 第45-50页 |
| 4.3.1 开发与实验环境 | 第45页 |
| 4.3.2 实验数据及结果 | 第45-46页 |
| 4.3.3 实验参数的选取 | 第46-50页 |
| 4.4 小结 | 第50-51页 |
| 5 基于稀疏AUTOENCODER模型的文本检测方法 | 第51-67页 |
| 5.1 稀疏自动编码器 | 第51-56页 |
| 5.1.1 稀疏自动编码器的网络模型 | 第52-54页 |
| 5.1.2 自编码网络预训练过程 | 第54-56页 |
| 5.2 基于稀疏自动编码器的文本特征提取 | 第56-59页 |
| 5.2.1 稀疏自动编码器进行文本检测的过程 | 第56-57页 |
| 5.2.2 稀疏自动编码器文本特征提取 | 第57-59页 |
| 5.3 实验结果与分析 | 第59-65页 |
| 5.3.1 开发与实验环境 | 第59页 |
| 5.3.2 实验结果 | 第59-60页 |
| 5.3.3 实验参数的选取 | 第60-64页 |
| 5.3.4 有监督特征学习方法与无监督特征学习方法的比较 | 第64-65页 |
| 5.4 小结 | 第65-67页 |
| 6 工作总结及展望 | 第67-69页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |