中國文字有著悠久的歷史,而對語言文字學(xué)和歷史文獻(xiàn)學(xué)的研究也有了長期深入的研究,也經(jīng)歷了相當(dāng)長的時代。隨著計算機人工智能技術(shù)的高速發(fā)展,文字識別技術(shù)已融入我們生活中的各個領(lǐng)域,將信息處理技術(shù)用于古文字研究也越來越多的引起了廣大學(xué)者的關(guān)注。目前,對于甲骨文智能識別的研究已取得了初步的進展,但對于戰(zhàn)國簡文字研究與計算機文字識別的交叉研究還較為少見。因此,本文將基于深度度量學(xué)習(xí)的小樣本學(xué)習(xí)算法用于對戰(zhàn)國簡文字的識別。主要工作如下:（1）目前未發(fā)現(xiàn)有適合戰(zhàn)國簡文字識別所用的數(shù)據(jù)集,本文提出并整理了戰(zhàn)國簡數(shù)據(jù)集Bambooslips。對于安徽大學(xué)初步整理的戰(zhàn)國簡文檔,將每條竹簡在保持高分辨率的前提下單獨取出,并與漢字文檔對應(yīng)保存。對于目前未有字體通過“造字”實現(xiàn)。運用標(biāo)注軟件將每條竹簡中的單個文字裁剪保存,并將同一字體的圖片保存在一個文件夾中,構(gòu)成Bambooslips數(shù)據(jù)集。用于后續(xù)戰(zhàn)國簡文字的識別。（2）考慮到戰(zhàn)國簡文字?jǐn)?shù)據(jù)集Bambooslips屬于小樣本范疇,本文提出了基于孿生網(wǎng)絡(luò)的小樣本戰(zhàn)國簡文字識別算法。將算法對Bambooslips數(shù)據(jù)集整體識別準(zhǔn)確率與單個類別的識別準(zhǔn)確率依次輸出。... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

Padding過程

Maxpooling操作

第2章相關(guān)工作11LossNetwork1Network2weightsInput1Input2圖2-4孿生網(wǎng)絡(luò)結(jié)構(gòu)2.2.2孿生網(wǎng)絡(luò)結(jié)構(gòu)分類Siamesenetwork一般采用對稱卷積網(wǎng)絡(luò)，以兩個大小相同的圖像作為輸入，輸出為這兩個圖像的相似性度量，判斷輸入的兩張圖片是否為同一類。通常Siamesenetwork的拓?fù)湫问娇梢愿鶕?jù)每個輸入圖像塊被組合的位置分成3個基本的類型[27]，如圖2-5所示。圖2-5孿生網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖中A、B表示待輸入的圖片。①②③

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 張亞倩.  信息通信. 2018(11)
[2]安徽大學(xué)藏戰(zhàn)國竹簡概述[J]. 黃德寬.  文物. 2017(09)
[3]FSL在DTI大腦圖像分析中的應(yīng)用現(xiàn)狀[J]. 許瑩.  北京生物醫(yī)學(xué)工程. 2017(04)
[4]清華簡九篇綜述[J]. 李學(xué)勤.  文物. 2010(05)
[5]古墓新知——郭店楚簡的價值[J]. 龐樸.  荊門職業(yè)技術(shù)學(xué)院學(xué)報. 2003(02)

碩士論文
[1]基于深度學(xué)習(xí)的少樣本圖像分類方法[D]. 鄭欣悅.中國科學(xué)院大學(xué)(中國科學(xué)院國家空間科學(xué)中心) 2019
[2]基于小樣本學(xué)習(xí)的目標(biāo)匹配研究[D]. 柳青林.西安電子科技大學(xué) 2018



本文編號：3135249