基于深度学习的水书图像识别算法研究与应用
【图文】:
2.1.2研究内容与系统框架逡逑由上一节的分析己经明确了本文的主要研究任务,,这里通过一个框架图来展开描述逡逑研究内容,如图2-1所示。逡逑MM邋----逦■-逡逑_邋-—二--?_逡逑I逡逑l逦选择CNN网络邋n逦24邋..邋,邋^邋^逦taamt^on邋I邋f&Sr^逦灥逡逑: ̄ ̄ ̄ ̄ ̄1逦,邋,U邋a、[卜邋5邋i逡逑_廔逦i逦a逦^f9逦h邋i逦!逦|逡逑!邋逦逦二二 ̄ ̄ ̄…二二-二二.1^11邋二二二二.二..二一逦1逡逑「?;逦—一]逡逑.崣参数抚化逦Seep逦JEvafe减》i逦£xpk细son逦p咖ryUon逡逑丨..':.:fI逦m:」s邋■逦1|逡逑;逡逑:逡逑Q^2^g^2jj22iss邋ss^^sssmsaasa逦■逦逦邋逦邋……逦逦逡逑逦逦逦逦邋.邋H.邋m逦?邋_邋攦逡逑5ilf]邋_邋P^"邋1邋i邋t邋^-4r逡逑*sa?0i逡逑ggggg^gg^jgggggg^邋fe^S8838^8%BSB88iW逡逑App逦座务窠群逡逑图2-1基于深度学习的水书文字识别框架逡逑水书文字图像数据库的建立是一件非常有价值的工作,不仅在数据科学方面,在文逡逑化保护方面也有着重要意义。本文在第四章详细介绍了从水书数据采集到数据预处理,逡逑再到数据标注等详细过程。由于水书文字具有特殊性和小众性,所以对其认知存在一定逡逑难度,需要水书专家的参与。逡逑8逡逑
二值化、归一化等操作。但这还没有结束,数据虽然看起来很规整,但是并没有分类,逡逑没有标签作为后期识别的标准,所以需要对数据进行标注。经过一系列的处理,得到可逡逑以用来训练的数据量有10万余字,图2-2所示为得到的字符样例一水书中的“子”和逡逑“时辰”。在第四章详细介绍了数据集的构造流程。逡逑孑在N条七乇爸各尹尹歹尹歹歹歹,尹?泛逡逑毛友蚤壬孑孑孑;t系系尹尹歹歹歹夕歹歹歹尹逡逑士孑孑乇蚤圣手孑冬七尹步尹歹歹歹歹歹歹歹逡逑冬爹冬条七豸令圣孑孑尹歹歹歹歹尹歹歹矛歹逡逑壬乇圣乇圣;?手冬寻令罗歹歹歹逡逑图2-2水书数据集样例逡逑2.4水书文字识别CNN模型设计逡逑本文的最终目的是实现水书古籍图像文字识别,本模块的主要任务是设计一个可以逡逑用来进行水书识别的CNN模型。卷积神经网络同时具有特征提取与分类识别功能,卷积逡逑层的作用是检测来自前一层的特征的局部连接并提取特征,池化层的作用是将语义相似逡逑的特征合并为一个。这里首先介绍了邋CNN基本原理,论证了损失函数如何选择的问题,逡逑设计了一个11层神经网络模型,并使用该模型对水书数据进行识别。逡逑10逡逑
【学位授予单位】:中央民族大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:H12;TP391.41;TP18
【相似文献】
相关期刊论文 前10条
1 朱汇龙;刘晓燕;刘瑶;;基于人群的神经网络超参数优化的研究[J];信息技术;2018年11期
2 翟桐,赵九江;超参数壳单元刚阵的简化积分法[J];哈尔滨工业大学学报;1985年A7期
3 姚诚伟;陈根才;;一种深度生成模型的超参数自适应优化法[J];实验室研究与探索;2018年02期
4 关青苗;;多层感知机中超参数的研究[J];南方农机;2018年02期
5 杨斌,聂在平;一种支持向量回归中超参数自适应方法[J];广西师范大学学报(自然科学版);2003年01期
6 陈志华;关富玲;蒋沧如;;基于超参数壳元卫星天线反射面稳态热分析[J];武汉理工大学学报;2008年04期
7 张波;沈火明;;基于Matlab的壳体有限元分析[J];重庆理工大学学报(自然科学版);2010年12期
8 金添;周智敏;宋千;常文革;;基于证据框架的模糊超球面支持向量机超参数优化[J];应用科学学报;2007年03期
9 李伟红;刘丽娟;龚卫国;辜小花;;人脸识别中基于均匀设计的SVM超参数调节方法[J];光电子.激光;2009年10期
10 张振朋;王以松;冯仁艳;李倩倩;;SVD++推荐算法的超参数[J];贵州大学学报(自然科学版);2018年03期
相关会议论文 前3条
1 孟增;张卓辉;;基于超参数凸模型的高效可靠性优化算法[A];2018年全国固体力学学术会议摘要集(上)[C];2018年
2 李洁;高峰;管晓宏;周佃民;;支持向量回归学习方法中基于稳定型GA的超参数选择[A];第二十四届中国控制会议论文集(下册)[C];2005年
3 张波;沈火明;;基于Matlab的壳体有限元分析[A];2010重庆汽车工程学会年会论文专辑[C];2010年
相关重要报纸文章 前1条
1 高波;为“超参数发电算违章”叫好[N];经理日报;2009年
相关硕士学位论文 前10条
1 夏春磊;基于深度学习的水书图像识别算法研究与应用[D];中央民族大学;2019年
2 周银达;基于群体的深度强化学习超参数自适应方法研究[D];中国科学技术大学;2019年
3 梁青青;基于关键超参数选择的监督式AutoML性能优化[D];贵州大学;2019年
4 陆高;基于智能计算的超参数优化及其应用研究[D];西安电子科技大学;2018年
5 刘丽娟;支持向量机超参数调节方法的研究及其在人脸识别中的应用[D];重庆大学;2010年
6 公彦杰;基于LS_SVM建立发酵过程动态模型的研究及软件实现[D];北京工业大学;2010年
7 侯文擎;基于改进堆叠降噪自编码网络的轴承故障诊断研究[D];华南理工大学;2017年
8 张立造;压缩感知理论与技术研究[D];电子科技大学;2016年
9 孙鑫;基于LS_SVM建立发酵过程动态模型及其参数优化[D];北京工业大学;2013年
10 崔虹雨;块稀疏信号重构算法研究[D];电子科技大学;2017年
本文编号:2644267
本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2644267.html