基于卷积神经网络的明清青花瓷底款图像识别研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 国内外发展和应用现状 | 第9-12页 |
| 1.3 本文主要工作和创新点 | 第12-13页 |
| 1.4 论文基本框架 | 第13-14页 |
| 第2章 明清古陶瓷底款鉴别特征 | 第14-23页 |
| 2.1 古陶瓷背景知识 | 第14-21页 |
| 2.1.1 青花瓷的基本概念 | 第14页 |
| 2.1.2 明清青花瓷基本特点 | 第14-21页 |
| 2.2 明清古陶瓷底款文字数据集的要求和形成 | 第21页 |
| 2.3 本章小结 | 第21-23页 |
| 第3章 CNN算法基础知识 | 第23-40页 |
| 3.1 深度学习基础 | 第23-25页 |
| 3.2 CNN的基础 | 第25-34页 |
| 3.2.1 卷积神经网络的知识背景 | 第25-26页 |
| 3.2.2 常用CNN模型 | 第26-30页 |
| 3.2.3 其他思路的CNN模型 | 第30-34页 |
| 3.3 其他深度学习算法的初步 | 第34-38页 |
| 3.3.1 循环神经网络（RNN） | 第34-35页 |
| 3.3.2 长短记忆网络（LSTM） | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 明清古陶瓷底款识别系统的设计 | 第40-49页 |
| 4.1 基本框架 | 第40-41页 |
| 4.2 底款文字数据的处理 | 第41-43页 |
| 4.2.1 需要字符分割的情形 | 第41-42页 |
| 4.2.2 无需字符分割的情形 | 第42-43页 |
| 4.3 其他应用问题和方案 | 第43-48页 |
| 4.3.1 分布式计算和存储 | 第43-45页 |
| 4.3.2 单机GPU处理方案 | 第45页 |
| 4.3.3 预处理程序端（C/S架构） | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 明清古陶瓷底款图像识别的实验研究 | 第49-64页 |
| 5.1 CNN方法的实验方案 | 第49页 |
| 5.2 实验的具体实现 | 第49-60页 |
| 5.2.1 图像预处理（数据增强） | 第49-52页 |
| 5.2.2 CNN网络训练 | 第52-58页 |
| 5.2.3 釉色和独特特征分析 | 第58-60页 |
| 5.3 实验结果分析和比较 | 第60-63页 |
| 5.3.1 模型运行过程的特征图分析比较 | 第60-61页 |
| 5.3.2 多类模型的性能指标比较 | 第61-62页 |
| 5.3.3 明清古陶瓷模型实验测试云平台的实现 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 结论与展望 | 第64-66页 |
| 6.1 结论 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间的研究成果 | 第71页 |
