基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文字識(shí)別研究
發(fā)布時(shí)間:2024-06-08 04:30
甲骨文是中國(guó)迄今為止發(fā)現(xiàn)的最早的成熟文字系統(tǒng),是漢字的來(lái)源,也是中國(guó)優(yōu)秀傳統(tǒng)文化的根源。現(xiàn)在甲骨文的研究已經(jīng)進(jìn)入信息時(shí)代,2019年在安陽(yáng)市舉行的紀(jì)念甲骨文發(fā)現(xiàn)120周年國(guó)際學(xué)術(shù)研討會(huì)的開(kāi)幕式上,甲骨文大數(shù)據(jù)平臺(tái)——“殷契文淵”正式發(fā)布。該平臺(tái)是甲骨文知識(shí)共享平臺(tái),對(duì)全世界的學(xué)者免費(fèi)開(kāi)放。由于目前甲骨文資源大多是圖片,不利于該平臺(tái)的數(shù)據(jù)進(jìn)行輸入、存儲(chǔ)、檢索、傳輸?shù)?所以作為該數(shù)據(jù)平臺(tái)研究團(tuán)隊(duì)中的一員,對(duì)甲骨文字進(jìn)行識(shí)別研究工作愈加重要。本文主要研究拓片上甲骨文字的識(shí)別,文字識(shí)別的傳統(tǒng)方法主要是基于“數(shù)據(jù)預(yù)處理+人工特征提取+分類識(shí)別”框架,對(duì)印刷體文字的識(shí)別率較高,而對(duì)于手寫(xiě)體的識(shí)別率并不高。甲骨文是殷商時(shí)期的手寫(xiě)體文字,異形體較多,數(shù)據(jù)樣本少,并且拓片上的甲骨文還有背景噪聲,所以識(shí)別有一定的難度。近幾年,基于深度學(xué)習(xí)的脫機(jī)手寫(xiě)文字識(shí)別技術(shù)得到充足的發(fā)展,深度神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的圖像多層次特征提取能力,能夠描述文字圖像不同級(jí)別的數(shù)據(jù)特征。因此,本文利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行甲骨文字識(shí)別研究,設(shè)計(jì)具有較好識(shí)別能力的深度卷積神經(jīng)網(wǎng)絡(luò)甲骨文字識(shí)別框架。實(shí)驗(yàn)結(jié)果證明該模型能夠較好地表達(dá)甲骨文字特征,達(dá)...
【文章頁(yè)數(shù)】:64 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.1.1 研究背景
1.1.2 研究意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 本文主要工作
1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)
2.1 神經(jīng)網(wǎng)絡(luò)
2.1.1 神經(jīng)元模型
2.1.2 感知機(jī)
2.1.3 BP算法
2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.1 CNN基本結(jié)構(gòu)
2.2.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
2.3 本章小結(jié)
3 甲骨文字?jǐn)?shù)據(jù)集
3.1 獲取數(shù)據(jù)圖像
3.2 數(shù)據(jù)預(yù)處理
3.2.1 數(shù)據(jù)增強(qiáng)
3.2.2 圖像去噪
3.2.3 數(shù)據(jù)歸一化
3.3 本章小結(jié)
4 基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文字識(shí)別
4.1 甲骨文字識(shí)別網(wǎng)絡(luò)概述
4.2 OBI-CNN網(wǎng)絡(luò)模型
4.3 OBI-CNN損失函數(shù)與梯度優(yōu)化選擇
4.3.1 損失函數(shù)
4.3.2 梯度優(yōu)化算法
4.4 模型訓(xùn)練
4.4.1 深度學(xué)習(xí)框架
4.4.2 實(shí)驗(yàn)環(huán)境
4.4.3 訓(xùn)練過(guò)程
4.5 本章小結(jié)
5 性能評(píng)估與系統(tǒng)開(kāi)發(fā)
5.1 評(píng)估指標(biāo)
5.2 性能評(píng)估
5.3 甲骨文字識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
5.3.1 系統(tǒng)開(kāi)發(fā)環(huán)境
5.3.2 系統(tǒng)總體框架
5.3.3 前端界面及運(yùn)行測(cè)試
5.4 本章小結(jié)
6 總結(jié)與展望
6.1 論文總結(jié)
6.2 研究展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝
本文編號(hào):3991454
【文章頁(yè)數(shù)】:64 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.1.1 研究背景
1.1.2 研究意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 本文主要工作
1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)
2.1 神經(jīng)網(wǎng)絡(luò)
2.1.1 神經(jīng)元模型
2.1.2 感知機(jī)
2.1.3 BP算法
2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.1 CNN基本結(jié)構(gòu)
2.2.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
2.3 本章小結(jié)
3 甲骨文字?jǐn)?shù)據(jù)集
3.1 獲取數(shù)據(jù)圖像
3.2 數(shù)據(jù)預(yù)處理
3.2.1 數(shù)據(jù)增強(qiáng)
3.2.2 圖像去噪
3.2.3 數(shù)據(jù)歸一化
3.3 本章小結(jié)
4 基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文字識(shí)別
4.1 甲骨文字識(shí)別網(wǎng)絡(luò)概述
4.2 OBI-CNN網(wǎng)絡(luò)模型
4.3 OBI-CNN損失函數(shù)與梯度優(yōu)化選擇
4.3.1 損失函數(shù)
4.3.2 梯度優(yōu)化算法
4.4 模型訓(xùn)練
4.4.1 深度學(xué)習(xí)框架
4.4.2 實(shí)驗(yàn)環(huán)境
4.4.3 訓(xùn)練過(guò)程
4.5 本章小結(jié)
5 性能評(píng)估與系統(tǒng)開(kāi)發(fā)
5.1 評(píng)估指標(biāo)
5.2 性能評(píng)估
5.3 甲骨文字識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
5.3.1 系統(tǒng)開(kāi)發(fā)環(huán)境
5.3.2 系統(tǒng)總體框架
5.3.3 前端界面及運(yùn)行測(cè)試
5.4 本章小結(jié)
6 總結(jié)與展望
6.1 論文總結(jié)
6.2 研究展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝
本文編號(hào):3991454
本文鏈接:http://www.wukwdryxk.cn/shekelunwen/kgx/3991454.html
最近更新
教材專著