| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 文档图像检索技术的研究和发展现状 | 第11-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 深度学习模型发展现状 | 第16-28页 |
| 2.1 神经网络的发展 | 第16-17页 |
| 2.2 人工神经网络模型 | 第17-18页 |
| 2.3 自动编码模型 | 第18-20页 |
| 2.3.1 传统自动编码模型 | 第19页 |
| 2.3.2 降噪自动编码模型 | 第19-20页 |
| 2.4 卷积神经网络模型 | 第20-24页 |
| 2.5 卷积神经网络的经典模型 | 第24-26页 |
| 2.5.1 LeNet-5 | 第24页 |
| 2.5.2 AlexNet | 第24-25页 |
| 2.5.3 ZFNet | 第25页 |
| 2.5.4 GoogLeNet | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 基于自动编码模型的蒙古文古籍单词图像表示 | 第28-35页 |
| 3.1 传统自动编码模型 | 第28-29页 |
| 3.2 降噪自动编码模型 | 第29-30页 |
| 3.3 实验数据集和性能指标 | 第30-32页 |
| 3.3.1 实验数据集 | 第30-32页 |
| 3.3.2 性能指标 | 第32页 |
| 3.4 实验的硬件与软件环境 | 第32-33页 |
| 3.4.1 实验的硬件环境 | 第32-33页 |
| 3.4.2 实验的软件环境 | 第33页 |
| 3.5 实验结果与分析 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于CNN的蒙古文古籍单词图像表示 | 第35-52页 |
| 4.1 网络结构对结果的影响 | 第36-44页 |
| 4.1.1 全连接层节点数对结果的影响 | 第36-37页 |
| 4.1.2 第一层卷积核数目的选定 | 第37页 |
| 4.1.3 第二层卷积核数目的选定 | 第37-38页 |
| 4.1.4 第三层卷积核数目的选定 | 第38-39页 |
| 4.1.5 卷积核大小的选定 | 第39-41页 |
| 4.1.6 添加Dropout对实验结果的影响 | 第41-44页 |
| 4.2 20幅常用蒙古文古籍单词图像的检索性能统计 | 第44-49页 |
| 4.3 实验结果对比分析 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 研究工作总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间学术成果 | 第59页 |