基于卷积神经网络的字符识别算法研究和实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 字符识别研究现状 | 第12-14页 |
| 1.3 深度学习研究现状 | 第14-16页 |
| 1.4 本文主要研究内容及组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 基于卷积神经网络的方法构建 | 第18-29页 |
| 2.1 卷积神经网络基本思想 | 第19-20页 |
| 2.2 卷积神经网络结构 | 第20-23页 |
| 2.2.1 卷积层 | 第20-22页 |
| 2.2.2 池化层 | 第22-23页 |
| 2.2.3 全连接层 | 第23页 |
| 2.3 卷积神经网络训练过程和优化算法 | 第23-28页 |
| 2.3.1 训练过程 | 第23-24页 |
| 2.3.2 优化算法 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 面向字符识别的浅层卷积神经网络设计 | 第29-45页 |
| 3.1 工业字符数据集的建立和预处理 | 第29-31页 |
| 3.1.1 数据集的建立 | 第29-31页 |
| 3.1.2 数据集增强及预处理 | 第31页 |
| 3.2 TensorFlow实验平台的搭建 | 第31-33页 |
| 3.2.1 TensorFlow简介 | 第31-32页 |
| 3.2.2 TensorFlow的搭建 | 第32-33页 |
| 3.3 卷积神经网络的设计 | 第33-40页 |
| 3.3.1 设计思想 | 第33-34页 |
| 3.3.2 网络设计步骤 | 第34-40页 |
| 3.4 实验测试及分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 面向字符识别的双列神经网络设计 | 第45-56页 |
| 4.1 加深网络结构 | 第45-46页 |
| 4.2 带权值整合的双列神经网络 | 第46-48页 |
| 4.3 实验结果及分析 | 第48-54页 |
| 4.3.1 不同深度网络浅度训练的测试 | 第48-50页 |
| 4.3.2 寻找最适合的梯度下降算法 | 第50-51页 |
| 4.3.3 更深度的训练实验 | 第51-52页 |
| 4.3.4 寻找最适合的学习率 | 第52-53页 |
| 4.3.5 寻找最适合的学习率衰减 | 第53页 |
| 4.3.6 对不同的网络进行比较 | 第53-54页 |
| 4.3.7 实验结论 | 第54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 面向字符识别的深度残差网络设计 | 第56-62页 |
| 5.1 深度残差网络 | 第56-59页 |
| 5.2 基于深度残差网络的字符识别网络设计 | 第59-60页 |
| 5.3 实验结果及分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 优化方法全局实验比较分析 | 第62-66页 |
| 6.1 三种网络的比较分析和再提高 | 第62-64页 |
| 6.1.1 三种网络的比较分析 | 第62页 |
| 6.1.2 双倍特征图的实验结果 | 第62-64页 |
| 6.2 字符识别实验结果 | 第64-65页 |
| 6.3 本章小结 | 第65-66页 |
| 总结与展望 | 第66-69页 |
| 参考文献 | 第69-72页 |
| 在学期间学术成果情况 | 第72-74页 |
| 致谢 | 第74页 |
