面向云桌面图片的OCR关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 文本检测研究现状 | 第11-13页 |
| 1.2.2 文字识别研究现状 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第2章 深度学习相关知识介绍 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 深度学习概述 | 第16页 |
| 2.3 人工神经网络 | 第16-19页 |
| 2.3.1 前向传播 | 第17-18页 |
| 2.3.2 反向传播 | 第18-19页 |
| 2.4 卷积神经网络 | 第19-22页 |
| 2.4.1 卷积层 | 第20-21页 |
| 2.4.2 池化层 | 第21-22页 |
| 2.4.3 全连接层 | 第22页 |
| 2.5 循环神经网络 | 第22-25页 |
| 2.5.1 长短时记忆网络 | 第23-25页 |
| 2.6 时序分类 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 文字识别分析 | 第27-39页 |
| 3.1 引言 | 第27页 |
| 3.2 基于CTPN与CRNN的图片文字识别 | 第27-29页 |
| 3.2.1 基于CTPN模型的文本检测 | 第27-28页 |
| 3.2.2 基于CRNN的文字识别 | 第28-29页 |
| 3.3 实验分析 | 第29-37页 |
| 3.3.1 文本检测数据及预处理 | 第29-30页 |
| 3.3.2 文字识别数据合成 | 第30-31页 |
| 3.3.3 评价标准 | 第31-33页 |
| 3.3.4 文本检测结果分析 | 第33-35页 |
| 3.3.5 文字识别结果分析 | 第35-37页 |
| 3.3.6 整体识别结果分析 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 文本检测算法改进 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 文本检测模型分析 | 第39-40页 |
| 4.3 模型改进 | 第40-47页 |
| 4.3.1 anchor设计 | 第41-42页 |
| 4.3.2 分类 | 第42-43页 |
| 4.3.3 位置回归 | 第43-44页 |
| 4.3.4 损失函数 | 第44-45页 |
| 4.3.5 后处理 | 第45-47页 |
| 4.4 实验分析 | 第47-50页 |
| 4.4.1 样本平衡 | 第47-48页 |
| 4.4.2 改进网络的有效性 | 第48-49页 |
| 4.4.3 整体识别结果分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 文字识别算法改进 | 第51-56页 |
| 5.1 引言 | 第51页 |
| 5.2 文字识别模型分析 | 第51-52页 |
| 5.3 模型改进 | 第52-54页 |
| 5.3.1 改进模型整体结构 | 第52-53页 |
| 5.3.2 结合注意力机制的解码器 | 第53-54页 |
| 5.4 实验分析 | 第54-55页 |
| 5.4.1 改进模型的有效性 | 第54页 |
| 5.4.2 整体识别结果分析 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
