| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 自然场景文本阅读相关技术研究 | 第11-12页 |
| 1.2.2 图像分类算法研究 | 第12-13页 |
| 1.2.3 文本与非文本图片分类算法研究 | 第13-14页 |
| 1.3 面临的主要难点和挑战 | 第14-15页 |
| 1.4 本文主要研究内容和创新点 | 第15-16页 |
| 1.5 论文结构安排 | 第16-17页 |
| 第二章 自然场景文本与非文本图片数据集与评价标准 | 第17-22页 |
| 2.1 自然场景文字相关数据集 | 第17-18页 |
| 2.2 自然场景文本图片与非文本图片标准数据集创建 | 第18-20页 |
| 2.3 评价标准 | 第20-21页 |
| 2.4 本章小节 | 第21-22页 |
| 第三章 基于深度学习特征编码的自然场景文本与非文本图片判别算法 | 第22-33页 |
| 3.1 算法概述 | 第22-23页 |
| 3.2 主要步骤及原理描述 | 第23-28页 |
| 3.2.1 文字候选区域提取及过滤 | 第23-24页 |
| 3.2.2 多类卷积神经网络模型训练 | 第24-27页 |
| 3.2.3 文本图片编码表示生成及分类器训练 | 第27-28页 |
| 3.3 实验部分 | 第28-32页 |
| 3.3.1 对比方法 | 第28-29页 |
| 3.3.2 实验结果和性能分析 | 第29-30页 |
| 3.3.3 影响参数讨论 | 第30-32页 |
| 3.4 本章小节 | 第32-33页 |
| 第四章 基于多尺度空间划分文本与非文本图片判别的卷积神经网络 | 第33-51页 |
| 4.1 多尺度图像块级别文本与非文本区分 | 第34页 |
| 4.2 端到端卷多尺度空间划分积神经网络 | 第34-40页 |
| 4.2.1 MSP-Net网络结构 | 第35-36页 |
| 4.2.2 多层次特征图 | 第36-37页 |
| 4.2.3 多尺度空间划分 | 第37-38页 |
| 4.2.4 图像块级别特征描述及判别 | 第38-39页 |
| 4.2.5 网络训练 | 第39-40页 |
| 4.3 实验部分 | 第40-49页 |
| 4.3.1 实验设置 | 第40-42页 |
| 4.3.2 网络实施细节 | 第42-44页 |
| 4.3.3 实验结果分析 | 第44-48页 |
| 4.3.4 参数讨论及方法约束性分析 | 第48-49页 |
| 4.4 本章小节 | 第49-51页 |
| 第五章 总结与展望 | 第51-54页 |
| 5.1 论文总结 | 第51-52页 |
| 5.2 后续工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间公开发表的论文与科研项目成果 | 第60页 |
