基于深度学习的图像文本识别系统研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 项目背景 | 第11-12页 |
| 1.2 文本识别的研究现状 | 第12-13页 |
| 1.3 深度学习算法的研究现状 | 第13-14页 |
| 1.4 本文研究内容与结构安排 | 第14-17页 |
| 1.4.1 本文研究内容 | 第14-15页 |
| 1.4.2 本文结构安排 | 第15-17页 |
| 第二章 深度学习技术及理论 | 第17-33页 |
| 2.1 神经网络概述 | 第17-18页 |
| 2.2 卷积神经网络 | 第18-28页 |
| 2.2.1 卷积神经网络结构 | 第18-19页 |
| 2.2.2 卷积层 | 第19-20页 |
| 2.2.3 卷积运算 | 第20-21页 |
| 2.2.4 激活层 | 第21-25页 |
| 2.2.5 池化层 | 第25-26页 |
| 2.2.6 全连接层 | 第26-27页 |
| 2.2.7 卷积神经网络特点 | 第27-28页 |
| 2.3 卷积网络训练方法 | 第28-31页 |
| 2.3.1 梯度下降法 | 第28-29页 |
| 2.3.2 AdaDelta自适应学习率调整方法 | 第29-30页 |
| 2.3.3 GPUs加速 | 第30-31页 |
| 2.4 防止过拟合技术 | 第31-32页 |
| 2.4.1 Dropout | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 自然场景文本识别系统设计 | 第33-37页 |
| 3.1 系统需求分析 | 第33-34页 |
| 3.2 系统架构 | 第34-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 文本检测和识别算法研究与实现 | 第37-59页 |
| 4.1 自然场景下文本的特点 | 第37-38页 |
| 4.2 基于CTPN的文本检测模型 | 第38-49页 |
| 4.2.1 VGG-CTPN网络架构 | 第38-39页 |
| 4.2.2 文本区域检测 | 第39-42页 |
| 4.2.3 文本行判别 | 第42-43页 |
| 4.2.4 实验环境及配置 | 第43-44页 |
| 4.2.5 实验结果与分析 | 第44-49页 |
| 4.3 基于CRNN的文本识别模型 | 第49-58页 |
| 4.3.1 L-CRNN网络架构 | 第50页 |
| 4.3.2 特征序列提取 | 第50-52页 |
| 4.3.3 双向LSTM特征序列预测 | 第52页 |
| 4.3.4 文本识别 | 第52-54页 |
| 4.3.5 实验环境及配置 | 第54-56页 |
| 4.3.6 实验结果与分析 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 文本识别系统实现与测试 | 第59-72页 |
| 5.1 系统实现 | 第59-66页 |
| 5.1.1 暗通道去雾模块实现 | 第59-63页 |
| 5.1.2 水平归一化模块实现 | 第63-64页 |
| 5.1.3 文本检测与识别模块实现 | 第64-66页 |
| 5.2 系统测试 | 第66-71页 |
| 5.2.1 测试环境 | 第66页 |
| 5.2.2 测试背景 | 第66-67页 |
| 5.2.3 功能测试 | 第67-69页 |
| 5.2.4 性能测试 | 第69-71页 |
| 5.2.5 系统对比 | 第71页 |
| 5.3 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77页 |
