隨著人們對高質(zhì)量教育需求的增長以及人工智能技術(shù)的發(fā)展,個性化教育成為一個非常具有前景的方向,線上與線下教育的有機結(jié)合是個性化教育中非常重要的一個環(huán)節(jié)。線下教育過程中通常會產(chǎn)生大量的紙質(zhì)試卷,手機拍攝試卷圖像是非常便捷的一種方式,因此將試卷圖像中有效信息抽取出來并將其轉(zhuǎn)換為文本是個性化教育過程中非常重要的一個場景。文本檢測是文本識別的基礎(chǔ),其目標是將圖像中文本區(qū)域標注出來,傳統(tǒng)圖像處理和深度學(xué)習(xí)在文本檢測領(lǐng)域均取得了一些成果,但也存在不同的問題。目前文本檢測技術(shù)大致分為兩個研究方向:自底向上方向和自頂向下方向。自底向上的方法一般采用傳統(tǒng)圖像處理方法,通過人工設(shè)計特征檢測字符和文本框,由于缺少語義信息容易將部分背景檢測為文本。自頂向下的方法通常使用深度學(xué)習(xí)方法訓(xùn)練端到端的檢測模型,在訓(xùn)練過程中需要大量的標注數(shù)據(jù),但因為試卷中文本框密集,對試卷進行大量文本標注在試卷文本檢測場景中是昂貴且不可行的。雖然目前已經(jīng)有很多文本檢測算法,但是針對試卷文本檢測場景的并不多。試卷文本檢測可以視為文本檢測的一個特殊場景,是一項具有挑戰(zhàn)性的任務(wù),其難點在于需要從不同大小、圖像質(zhì)量參差不齊、文字圖表混合、手寫字...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 相關(guān)工作
    2.1 深度學(xué)習(xí)方法概述
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 感興趣區(qū)域池化
    2.2 強化學(xué)習(xí)方法概述
        2.2.1 馬爾可夫決策
        2.2.2 Q-learning
    2.3 文本檢測概述
        2.3.1 自底向上
        2.3.2 自頂向下
    2.4 本章小結(jié)
第3章 基于判別器的試卷文本檢測算法
    3.1 圖像預(yù)處理
        3.1.1 外接矩形
        3.1.2 候選矩形
    3.2 字符判別器
        3.2.1 特征提取
        3.2.2 模型結(jié)構(gòu)
        3.2.3 數(shù)據(jù)自糾正
    3.3 判別器指導(dǎo)
    3.4 文本框構(gòu)造
    3.5 本章小結(jié)
第4章 基于DQN的試卷文本框微調(diào)算法
    4.1 擴充預(yù)處理
    4.2 微調(diào)動作規(guī)則
    4.3 微調(diào)過程描述
    4.4 雙分支融合網(wǎng)絡(luò)結(jié)構(gòu)
    4.5 本章小結(jié)
第5章 實驗結(jié)果與分析
    5.1 實驗環(huán)境
    5.2 數(shù)據(jù)集
        5.2.1 EPDB數(shù)據(jù)集
        5.2.2 CDB數(shù)據(jù)集
    5.3 評價方法與指標
    5.4 對比實驗
        5.4.1 CDM
        5.4.2 TDCD
        5.4.3 TDMA
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況



本文編號：3762564