| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 字符识别研究现状 | 第13-15页 |
| 1.2.2 深度学习研究现状 | 第15-16页 |
| 1.3 本文主要研究内容与组织结构 | 第16-18页 |
| 2 CNN结构设计及优化方法简介 | 第18-40页 |
| 2.1 常见的卷积网络应用结构 | 第18页 |
| 2.2 特征提取网络 | 第18-26页 |
| 2.2.1 单元层种类及应用 | 第18-25页 |
| 2.2.2 常见网络结构设计 | 第25-26页 |
| 2.3 损失函数理论依据 | 第26-29页 |
| 2.3.1 回归问题 | 第26-27页 |
| 2.3.2 分类问题 | 第27-29页 |
| 2.4 网络的正则化方法 | 第29-32页 |
| 2.5 网络的优化方法 | 第32-39页 |
| 2.5.1 梯度下降算法 | 第32-33页 |
| 2.5.2 自适应学习率梯度下降算法 | 第33-35页 |
| 2.5.3 不同优化参数的影响 | 第35-39页 |
| 2.6 本章小结 | 第39-40页 |
| 3 基于卷积神经网络的数字字符定位与识别 | 第40-53页 |
| 3.1 卷积神经网络简介 | 第40-44页 |
| 3.2 基于Faster-RCNN目标区域定位 | 第44-49页 |
| 3.2.1 物体目标检测与数字字符定位的相似性分析 | 第44页 |
| 3.2.2 特征提取网络设计 | 第44-45页 |
| 3.2.3 RPN网络及候选窗口分类器设计 | 第45-47页 |
| 3.2.4 损失函数构成 | 第47-49页 |
| 3.3 基于目标区域中数字字符的识别 | 第49-52页 |
| 3.3.1 数字字符识别模型设计 | 第49-51页 |
| 3.3.2 识别模型的损失函数设置 | 第51-52页 |
| 3.4 本章小结 | 第52-53页 |
| 4 数字字符定位与识别网络的训练与结果分析 | 第53-70页 |
| 4.1 数据集的选择 | 第53-58页 |
| 4.1.1 Faster-RCNN数据集的创建 | 第53-57页 |
| 4.1.2 CNN数据集的创建 | 第57-58页 |
| 4.2 实验测试 | 第58-66页 |
| 4.2.1 图像预处理 | 第58-63页 |
| 4.2.2 软件选择 | 第63-64页 |
| 4.2.3 硬件配置 | 第64页 |
| 4.2.4 字符定位网络的训练 | 第64-66页 |
| 4.2.5 字符识别网络的训练 | 第66页 |
| 4.3 实验结果与分析 | 第66-69页 |
| 4.3.1 网络训练数据图可视化 | 第66-67页 |
| 4.3.2 结果分析 | 第67-69页 |
| 4.4 本章小结 | 第69-70页 |
| 5 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 参考文献： | 第72-76页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第76-77页 |
| 致谢 | 第77页 |