基于深度学习的自然场景文本检测与定位方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 自然场景文本概述 | 第17-18页 |
| 1.2.1 自然场景文本的特点 | 第18页 |
| 1.2.2 自然场景文本定位面临的挑战 | 第18页 |
| 1.3 国内外研究现状 | 第18-23页 |
| 1.3.1 基于字符的文本检测算法 | 第19-21页 |
| 1.3.2 基于深度学习的文本检测算法 | 第21-23页 |
| 1.4 本文主要工作及安排 | 第23-26页 |
| 第二章 基于深度学习的物体检测框架 | 第26-38页 |
| 2.1 引言 | 第26页 |
| 2.2 深度学习理论 | 第26-32页 |
| 2.2.1 深层神经网络 | 第26-27页 |
| 2.2.2 卷积神经网络 | 第27-29页 |
| 2.2.3 神经网络训练 | 第29-30页 |
| 2.2.4 常用优化算法 | 第30-32页 |
| 2.3 基于CNN的物体检测方法 | 第32-37页 |
| 2.3.1 基于R-CNN的物体检测 | 第33-35页 |
| 2.3.2 基于YOLO的物体检测 | 第35-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 基于SSD的文本定位网络模型 | 第38-57页 |
| 3.1 概述 | 第38-39页 |
| 3.2 SSD模型介绍 | 第39-42页 |
| 3.2.1 基础网络结构 | 第40-41页 |
| 3.2.2 额外卷积特征层 | 第41-42页 |
| 3.3 文本定位网络模型与实现 | 第42-52页 |
| 3.3.1 文本定位网络模型结构 | 第43-44页 |
| 3.3.2 文本检测层 | 第44-50页 |
| 3.3.3 非极大值抑制 | 第50-52页 |
| 3.4 模型训练方法 | 第52-55页 |
| 3.4.1 匹配策略 | 第52-53页 |
| 3.4.2 训练损失函数 | 第53-54页 |
| 3.4.3 训练数据处理 | 第54-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第四章 基于编码器解码器结构的文本验证模型 | 第57-72页 |
| 4.1 概述 | 第57-58页 |
| 4.2 基于CNN和BiLSTM的图像编码 | 第58-65页 |
| 4.2.1 概述 | 第58-59页 |
| 4.2.2 CNN网络结构设计 | 第59-60页 |
| 4.2.3 基于BiLSTM的图像上下文特征提取 | 第60-65页 |
| 4.3 基于注意力机制的文字解码 | 第65-70页 |
| 4.3.1 概述 | 第66-67页 |
| 4.3.2 注意力机制原理 | 第67-68页 |
| 4.3.3 文字序列生成 | 第68-70页 |
| 4.4 本章小结 | 第70-72页 |
| 第五章 实验结果与分析 | 第72-84页 |
| 5.1 引言 | 第72页 |
| 5.2 数据集 | 第72-74页 |
| 5.2.1 文本检测数据集介绍 | 第72-73页 |
| 5.2.2 文本检测评价指标 | 第73-74页 |
| 5.3 实验结果及分析 | 第74-83页 |
| 5.3.1 实验环境及训练参数配置 | 第74-75页 |
| 5.3.2 文本定位网络模型有效性验证 | 第75-80页 |
| 5.3.3 文本验证模型有效性验证 | 第80-82页 |
| 5.3.4 与其他方法的对比 | 第82-83页 |
| 5.4 本章小结 | 第83-84页 |
| 总结与展望 | 第84-86页 |
| 总结 | 第84-85页 |
| 展望 | 第85-86页 |
| 参考文献 | 第86-91页 |
| 攻读硕士学位期间取得的研究成果 | 第91-92页 |
| 致谢 | 第92-93页 |
| 附件 | 第93页 |
