基于卷积神经网络的12306验证码识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 卷积神经网络的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 小规模数据集fine-tune的迁移学习 | 第12-13页 |
| 1.4 本文的研究内容与章节安排 | 第13-15页 |
| 第二章 卷积神经网络 | 第15-34页 |
| 2.1 引言 | 第15页 |
| 2.2 卷积神经网络算法 | 第15-28页 |
| 2.2.1 BP算法 | 第15-19页 |
| 2.2.2 卷积和池化 | 第19-22页 |
| 2.2.3 前向过程中的卷积 | 第22-23页 |
| 2.2.4 反向过程中的卷积 | 第23页 |
| 2.2.5 激活函数 | 第23-27页 |
| 2.2.6 Dropout | 第27-28页 |
| 2.3 经典网络模型 | 第28-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 fine-tune小规模数据集迁移学习 | 第34-56页 |
| 3.1 引言 | 第34页 |
| 3.2 迁移学习 | 第34-40页 |
| 3.2.1 迁移学习理论 | 第34-35页 |
| 3.2.2 迁移学习与卷积神经网络 | 第35-37页 |
| 3.2.3 迁移学习的方法 | 第37-40页 |
| 3.3 数据集制作 | 第40-47页 |
| 3.3.1 数据抓取 | 第40-41页 |
| 3.3.2 感知哈希去重 | 第41页 |
| 3.3.3 分割成文字和图像部分 | 第41-43页 |
| 3.3.4 数据标记与分类 | 第43-45页 |
| 3.3.5 数据提升 | 第45-47页 |
| 3.4 迁移学习的比较实验 | 第47-55页 |
| 3.4.1 数据集分析 | 第47-48页 |
| 3.4.2 实验平台简介 | 第48-49页 |
| 3.4.3 训练 | 第49-52页 |
| 3.4.4 实验结果分析 | 第52-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 基于12306网站验证码的综合识别方案 | 第56-69页 |
| 4.1 引言 | 第56页 |
| 4.2 Fine-tune模型分析 | 第56-59页 |
| 4.2.1 Vgg-16 | 第56页 |
| 4.2.2 Vgg-19 | 第56-58页 |
| 4.2.3 Inception_v3 | 第58-59页 |
| 4.3 文字部分识别 | 第59-62页 |
| 4.3.1 数据集分析 | 第59页 |
| 4.3.2 实验结果分析 | 第59-61页 |
| 4.3.3 分类别的结果统计 | 第61-62页 |
| 4.4 图像部分识别 | 第62-67页 |
| 4.4.1 数据集分析 | 第62-63页 |
| 4.4.2 实验结果分析 | 第63-65页 |
| 4.4.3 分类别的结果统计 | 第65-67页 |
| 4.5 综合识别 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-72页 |
| 5.1 本文工作总结 | 第69-70页 |
| 5.2 存在问题与展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附件 | 第79页 |
