| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-18页 |
| 1.3 研究内容及章节安排 | 第18-19页 |
| 第二章 神经网络 | 第19-35页 |
| 2.1 人工神经网络 | 第19-26页 |
| 2.1.1 感知器 | 第19-20页 |
| 2.1.2 神经网络 | 第20-21页 |
| 2.1.3 多层感知器 | 第21-24页 |
| 2.1.4 反向传播算法 | 第24-26页 |
| 2.2 卷积神经网络 | 第26-33页 |
| 2.2.1 卷积操作 | 第28-29页 |
| 2.2.2 局部连接 | 第29-30页 |
| 2.2.3 权值共享 | 第30页 |
| 2.2.4 下采样 | 第30-31页 |
| 2.2.5 softmax分类函数 | 第31-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第三章 盲文自动校正与分割 | 第35-49页 |
| 3.1 中国盲文 | 第35-37页 |
| 3.2 盲文图像自动校正 | 第37-44页 |
| 3.2.1 盲文图像二值化 | 第38-41页 |
| 3.2.1.1 最佳阈值选取 | 第38-40页 |
| 3.2.1.2 局部阈值分割法 | 第40-41页 |
| 3.2.2 图像校正方法 | 第41-44页 |
| 3.3 盲文图像自动分割 | 第44-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 基于深度学习的盲文识别 | 第49-73页 |
| 4.1 实验数据集 | 第50-51页 |
| 4.2 网络算法优化 | 第51-56页 |
| 4.2.1 激活函数改进 | 第51-54页 |
| 4.2.1.1 Leaky ReLU与PReLU激活函数 | 第52-53页 |
| 4.2.1.2 Maxout激活函数 | 第53-54页 |
| 4.2.1.3 激活函数比较 | 第54页 |
| 4.2.2 Dropconnect | 第54-56页 |
| 4.3 基于改进CNN的盲文识别 | 第56-69页 |
| 4.3.1 通道对比 | 第58-62页 |
| 4.3.2 全连接层调整 | 第62-65页 |
| 4.3.3 特征提取层改进 | 第65-67页 |
| 4.3.4 数据集图像大小 | 第67-69页 |
| 4.4 盲文识别对比 | 第69-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 本文工作总结 | 第73页 |
| 5.2 未来工作展望 | 第73-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 附录A (攻读硕士学位期间成果) | 第83页 |