| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 课题意义 | 第10-11页 |
| 1.3 国内外发展状况 | 第11-12页 |
| 1.4 主要研究工作 | 第12-13页 |
| 1.5 本文的组织结构 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 第二章 数据构建系统 | 第15-28页 |
| 2.1 引言 | 第15-16页 |
| 2.2 数据处理工具介绍 | 第16-20页 |
| 2.2.1 Font Carrier字体操作库 | 第16-17页 |
| 2.2.2 Apache Batik SVG工具集 | 第17-18页 |
| 2.2.3 Anaconda科学计算平台 | 第18-19页 |
| 2.2.4 OpenCV计算机视觉库 | 第19页 |
| 2.2.5 Caffe深度学习框架 | 第19-20页 |
| 2.3 特定训练语言的选择 | 第20-24页 |
| 2.3.1 文字区域的字母集 | 第21-22页 |
| 2.3.2 文字区域字母特征 | 第22-23页 |
| 2.3.3 文字区域单词特征 | 第23-24页 |
| 2.4 数据集的构建 | 第24-27页 |
| 2.4.1 构造数据的系统架构 | 第24-25页 |
| 2.4.2 数据构造的具体实现 | 第25-26页 |
| 2.4.3 测试数据集 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 字符特征提取模型 | 第28-35页 |
| 3.1 引言 | 第28-29页 |
| 3.2 VGGNet介绍 | 第29-33页 |
| 3.2.1 VGGNet网络配置 | 第30-32页 |
| 3.2.2 VGG16的网络结构 | 第32-33页 |
| 3.3 VGGNet的实现 | 第33-34页 |
| 3.3.1 VGGNet的训练实现 | 第33-34页 |
| 3.3.2 VGGNet的实验结果 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 多语言字符检测模型 | 第35-49页 |
| 4.1 引言 | 第35-36页 |
| 4.2 全卷积网络的介绍 | 第36-41页 |
| 4.2.1 传统神经网络的卷积化 | 第37-38页 |
| 4.2.2 全连接层到卷积层的转化 | 第38-39页 |
| 4.2.3 反卷积层 | 第39-41页 |
| 4.2.4 全卷积网络的跳级结构 | 第41页 |
| 4.3 全卷积网络的实现 | 第41-45页 |
| 4.3.1 全卷积网络的迁移学习 | 第41-42页 |
| 4.3.2 全卷积网络的优化策略 | 第42-43页 |
| 4.3.3 全卷积网络的训练步骤 | 第43-45页 |
| 4.4 模型的迁移学习 | 第45-48页 |
| 4.4.1 迁移学习介绍 | 第45-46页 |
| 4.4.2 迁移学习中的微调 | 第46-47页 |
| 4.4.3 单语言到多语言检测的迁移 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 文字区域的选择与实验评估 | 第49-60页 |
| 5.1 文字区域的选择算法 | 第49-52页 |
| 5.1.1 非文字区域的过滤 | 第49-50页 |
| 5.1.2 交叉文字区域的分割 | 第50-52页 |
| 5.2 评估模型的性能指标 | 第52-54页 |
| 5.2.1 交叉重叠率 | 第52页 |
| 5.2.2 准确率与召回率 | 第52-53页 |
| 5.2.3 F-measure | 第53页 |
| 5.2.4 耗时评估指标 | 第53-54页 |
| 5.3 检测速度实验结果 | 第54页 |
| 5.4 检测性能实验结果 | 第54-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |