基于BPL数据增强的手写公式识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的目的及意义 | 第9-10页 |
| 1.3 国内外相关技术研究现状 | 第10-15页 |
| 1.3.1 深度学习理论研究现状 | 第10-12页 |
| 1.3.2 数学公式识别研究现状 | 第12-13页 |
| 1.3.3 生成模型研究现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 1.5 本文的章节结构 | 第16-17页 |
| 第2章 相关技术介绍 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 数学公式识别整体流程 | 第17-18页 |
| 2.3 贝叶斯规划学习模型(BPL) | 第18-20页 |
| 2.4 编码器-解码器框架 | 第20-22页 |
| 2.5 预训练模型 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 数学公式数据集的构建 | 第24-35页 |
| 3.1 引言 | 第24页 |
| 3.2 数据集描述 | 第24-25页 |
| 3.3 CROHME手写体构建 | 第25-28页 |
| 3.4 基于BPL的手写体数据生成方法 | 第28-32页 |
| 3.4.1 解析BPL参数 | 第28-30页 |
| 3.4.2 伪样本生成 | 第30-32页 |
| 3.5 LaTeX印刷体数据构建 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于编码器-解码器框架的公式识别模型 | 第35-46页 |
| 4.1 引言 | 第35页 |
| 4.2 识别模型整体流程 | 第35-36页 |
| 4.3 编码模型的设计与实现 | 第36-39页 |
| 4.3.1 输入设计 | 第37-38页 |
| 4.3.2 CNN提取图像基础特征 | 第38页 |
| 4.3.3 BLSTM对图像特征编码 | 第38-39页 |
| 4.4 解码模型的设计与实现 | 第39-42页 |
| 4.4.1 LSTM网络结构设计 | 第39-41页 |
| 4.4.2 全局解码算法 | 第41-42页 |
| 4.5 模型参数设置及优化 | 第42-45页 |
| 4.5.1 激活函数的选择 | 第42-43页 |
| 4.5.2 批处理及优化 | 第43-44页 |
| 4.5.3 避免过拟合 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 实验结果与分析 | 第46-60页 |
| 5.1 引言 | 第46页 |
| 5.2 数据预处理 | 第46-48页 |
| 5.2.1 规范化LaTeX标签 | 第46-47页 |
| 5.2.2 图像处理 | 第47-48页 |
| 5.3 实验设置及结果分析 | 第48-59页 |
| 5.3.1 实验环境 | 第48页 |
| 5.3.2 评测标准 | 第48-49页 |
| 5.3.3 BPL生成模型实验 | 第49-54页 |
| 5.3.4 手写公式识别实验 | 第54-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |
