| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 传统的汉字识别 | 第12-13页 |
| 1.2.2 基于深度学习的汉字识别 | 第13-14页 |
| 1.3 论文主要内容和组织结构 | 第14-17页 |
| 第2章 传统汉字图像识别方法 | 第17-33页 |
| 2.1 汉字识别的流程 | 第17页 |
| 2.2 预处理 | 第17-22页 |
| 2.2.1 图像二值化 | 第18-19页 |
| 2.2.2 图像平滑 | 第19-20页 |
| 2.2.3 形态学转换 | 第20-21页 |
| 2.2.4 规整化 | 第21-22页 |
| 2.3 特征提取 | 第22-26页 |
| 2.3.1 方向特征 | 第23-24页 |
| 2.3.2 Gabor特征 | 第24-25页 |
| 2.3.3 弹性网格 | 第25-26页 |
| 2.4 图像分类方法 | 第26-32页 |
| 2.4.1 决策树算法 | 第26-28页 |
| 2.4.2 提升算法 | 第28-30页 |
| 2.4.3 支持向量机 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于卷积神经网络的图像识别 | 第33-47页 |
| 3.1 卷积神经网络结构 | 第33-39页 |
| 3.1.1 局部感知区域与权值共享 | 第33-34页 |
| 3.1.2 激励函数 | 第34-37页 |
| 3.1.3 局部响应归一化 | 第37页 |
| 3.1.4 池化 | 第37-39页 |
| 3.1.5 Dropout | 第39页 |
| 3.2 卷积神经网络的前向传播 | 第39-42页 |
| 3.2.1 卷积层的前向传播 | 第39-40页 |
| 3.2.2 池化层的前向传播 | 第40页 |
| 3.2.3 全连接层的前向传播 | 第40页 |
| 3.2.4 Softmax层的前向传播 | 第40-42页 |
| 3.3 卷积神经网络的反向传播 | 第42-45页 |
| 3.3.1 Softmax层的反向传播 | 第42-43页 |
| 3.3.2 全连接层的反向传播 | 第43页 |
| 3.3.3 池化层的反向传播 | 第43-44页 |
| 3.3.4 卷积层的反向传播 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 集成注意力层的卷积神经网络在汉字识别上的应用 | 第47-55页 |
| 4.1 研究目的与总体思路 | 第47页 |
| 4.2 基准模型选取 | 第47-48页 |
| 4.2.1 模型设计 | 第47-48页 |
| 4.2.2 实验 | 第48页 |
| 4.3 AlexNet详解 | 第48-50页 |
| 4.4 基于注意力层的卷积神经网络 | 第50-53页 |
| 4.4.1 注意力层原理 | 第50-52页 |
| 4.4.2 集成注意力层的卷积神经网络 | 第52-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 汉字图像识别实验 | 第55-63页 |
| 5.1 实验平台搭建 | 第55-57页 |
| 5.1.1 GPU架构设计 | 第55-56页 |
| 5.1.2 数据交互 | 第56-57页 |
| 5.1.3 软件设计 | 第57页 |
| 5.2 数据集 | 第57-59页 |
| 5.2.1 数据集介绍 | 第57-58页 |
| 5.2.2 数据增强 | 第58-59页 |
| 5.3 汉字图像识别实验 | 第59-62页 |
| 5.3.1 实验一：传统汉字识别试验方法对比 | 第59-60页 |
| 5.3.2 实验二：汉字图像分辨率对比 | 第60页 |
| 5.3.3 实验三：训练样本数量对比 | 第60-61页 |
| 5.3.4 实验四：网络结构对比 | 第61页 |
| 5.3.5 实验五：网络性能优化 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文的主要工作 | 第63-64页 |
| 6.2 未来工作的展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读学位期间发表的论文 | 第71-73页 |
| 致谢 | 第73页 |