基于深度学习的印刷体文档中数学公式的检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 研究现状 | 第9-11页 |
| 1.2.2 现状总结 | 第11-12页 |
| 1.3 本文的主要内容和结构安排 | 第12-15页 |
| 1.3.1 本文主要内容 | 第12-13页 |
| 1.3.2 本文结构安排 | 第13-15页 |
| 第2章 数学公式识别系统概述 | 第15-23页 |
| 2.1 结构分析模块 | 第15-17页 |
| 2.2 符号切割模块 | 第17-19页 |
| 2.3 符号识别模块 | 第19-20页 |
| 2.4 Latex格式输出 | 第20-21页 |
| 2.5 本章总结 | 第21-23页 |
| 第3章 公式检测数据集的制作 | 第23-37页 |
| 3.1 手动标注制作数据集 | 第23-27页 |
| 3.1.1 标注规则 | 第23-25页 |
| 3.1.2 标注过程 | 第25-27页 |
| 3.2 自动生成文本图片及标注信息 | 第27-32页 |
| 3.3 数据集的处理 | 第32-35页 |
| 3.3.1 数据增强 | 第32-33页 |
| 3.3.2 图像的倾斜矫正 | 第33-35页 |
| 3.4 本章总结 | 第35-37页 |
| 第4章 基于深度学习的数学公式的提取 | 第37-59页 |
| 4.1 深度学习基础知识 | 第37-42页 |
| 4.1.1 深度学习简介 | 第37页 |
| 4.1.2 卷积神经网络常见层 | 第37-42页 |
| 4.2 常见目标检测网络 | 第42-47页 |
| 4.2.1 目标检测衡量指标 | 第42-44页 |
| 4.2.2 YOLO | 第44页 |
| 4.2.3 SSD | 第44-45页 |
| 4.2.4 FasterR-CNN | 第45-46页 |
| 4.2.5 各网络对比 | 第46-47页 |
| 4.3 用目标检测方式进行公式定位的基础 | 第47-48页 |
| 4.4 本文网络结构详解 | 第48-58页 |
| 4.4.1 FasterR-CNN网络 | 第48-55页 |
| 4.4.2 网络结构的改进 | 第55-57页 |
| 4.4.3 文本图片处理过程的可视化 | 第57-58页 |
| 4.5 本章总结 | 第58-59页 |
| 第5章 实验过程与结果分析 | 第59-69页 |
| 5.1 实验环境 | 第59页 |
| 5.2 数据集的组织 | 第59-60页 |
| 5.3 训练与测试过程 | 第60-62页 |
| 5.4 实验中遇到的问题和解决方法 | 第62-63页 |
| 5.5 实验结果分析 | 第63-68页 |
| 5.5.1 实验结果展示 | 第63-66页 |
| 5.5.2 实验结果分析 | 第66-68页 |
| 5.6 本章总结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 工作总结 | 第69页 |
| 6.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-73页 |
| 攻读学位期间取得的研究成果 | 第73-75页 |
| 致谢 | 第75页 |
