CN111539437B - 基于深度学习的甲骨文偏旁的检测与识别方法 - Google Patents
基于深度学习的甲骨文偏旁的检测与识别方法 Download PDFInfo
- Publication number
- CN111539437B CN111539437B CN202010344366.6A CN202010344366A CN111539437B CN 111539437 B CN111539437 B CN 111539437B CN 202010344366 A CN202010344366 A CN 202010344366A CN 111539437 B CN111539437 B CN 111539437B
- Authority
- CN
- China
- Prior art keywords
- oracle
- region
- layer
- detection
- bone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的甲骨文偏旁的检测与识别方法,主要涉及甲骨文识别技术领域。按照以下步骤进行:S1:对甲骨文拓片进行扫描或拍照,获得甲骨文图像;S2:采用最大极值稳定区域算法来筛选甲骨文图像中的甲骨文单偏旁区域;S3:对选定的甲骨文单偏旁区域进行椭圆拟合;S4:采用非极大值抑制算法去除对同一个甲骨文单偏旁多余重复或错误的检测结果,完成甲骨文单偏旁的检测,获得甲骨文单偏旁数据;S5:利用BN‑Lenet网络模型识别甲骨文单偏旁数据。本发明的有益效果在于:能够获得较高的识别精度,同时将甲骨文视为偏旁组合而非整字识别,能够识别未考释的甲骨文新字,即零样本学习,对甲骨文研究有着重要的应用意义。
Description
技术领域
本发明涉及甲骨文识别技术领域,具体是基于深度学习的甲骨文偏旁的检测与识别方法。
背景技术
甲骨文是迄今为止中国发现的年代最早的成熟文字***,是汉字的源头和中华优秀传统文化的根脉,但甲骨文考释仍然困难重重,尽管考古学家和古文字学家不断努力,但从计算机视觉角度对甲骨文文字分析的研究却很少,也没有相关的公共数据集,虽然有着一些传统的方法尝试对甲骨文字进行识别,如顾绍通提出的基于拓扑配准的识别方法;周新伦等提出利用图论和笔划特点来识别甲骨文字形的方法;李锋等提出利用图特征的原理来识别甲骨文字形的方法;栗青生等提出利用图同构的方法来识别甲骨文字形,但他们往往只将甲骨文字符作为一个整体来处理,没有考虑不同字符之间的相似性和内部结构,也没有考虑甲骨文中不同构但仍为同一字形的异体字问题,但甲骨文中异体字情况大量存在,因而实用性受到限制。
发明内容
本发明的目的在于解决现有技术中存在的问题,从甲骨文单偏旁的角度出发,分析组成甲骨文常用的基本结构成分,即偏旁,提供一种基于深度学习的甲骨文偏旁的检测与识别方法,能够获得较高的识别精度,同时将甲骨文视为偏旁组合而非整字识别,能够识别未考释的甲骨文新字,即零样本学习,对甲骨文研究有着重要的应用意义。
本发明为实现上述目的,通过以下技术方案实现:
基于深度学习的甲骨文偏旁的检测与识别方法,按照以下步骤进行:
S1:对甲骨文拓片进行扫描或拍照,获得甲骨文图像;
S2:采用最大极值稳定区域算法来筛选甲骨文图像中的甲骨文单偏旁区域;
S3:对选定的甲骨文单偏旁区域进行椭圆拟合;
S4:采用非极大值抑制算法去除对同一个甲骨文单偏旁多余重复或错误的检测结果,完成甲骨文单偏旁的检测,获得甲骨文单偏旁数据;
S5:利用BN-Lenet网络模型识别甲骨文单偏旁数据,所述BN-Lenet网络模型包括2个卷积层、2个最大池化层、1个全连接层、1个softmax层、3个批归一化层和1个随机失活层,所述批归一化层位于卷积层与最大池化层之间。
优选的,所述步骤S2具体包括:
S21:将甲骨文图像转换成灰度图像;
S22:在灰度区间[0,255]内的256个不同阈值对灰度图像进行二值化,令Qi表示二值化阈值i对应的二值图像中的某一连通区域,Δ为变化值,当二值化阈值由i变成i+Δ时,连通区域Qi变成Qi+Δ;当二值化阈值由i变成i-Δ时,连通区域Qi变成Qi-Δ;
优选的,所述步骤S3具体包括:
S31:确定甲骨文单偏旁区域椭圆拟合的重心坐标(xc,yc),
其中,m00、m01、m10是以甲骨文单偏旁最大极值稳定区域内的每个点的坐标为样本,计算整个甲骨文单偏旁的极值稳定区域的几何0阶矩和几何1阶矩:m00=∑I(x,y),m01=∑yI(x,y),m10=∑xI(x,y);
S32:确定甲骨文单偏旁区域椭圆拟合的长半轴、短半轴、角度,令a表示长半轴,b表示短半轴,θ表示角度,
优选的,所述步骤S4具体包括:
S41:将甲骨文单偏旁区域分成N个框,每个框被分类器计算得到的分数为SN,建造一个存放待处理甲骨文单偏旁候选框的集合H,建造一个存放最优甲骨文单偏旁框的集合M,初始化为空集;
S42:将所有甲骨文单偏旁候选框的集合H的框进行排序,选出分数最高的甲骨文单选旁候选框m,从集合H移到集合M;
S43:遍历甲骨文单偏旁候选框的集合H中的框,分别与候选框m计算交并比,如果高于每个阈值,则认为该甲骨文单偏旁候选框与m重叠,将此框从集合H中去除,以IoU表示交并比,0<IoU<0.5;
S44:回到步骤S42进行迭代,直到甲骨文单偏旁候选框的集合H为空,集合M中的框为所需的最优甲骨文单偏旁检测框。
优选的,所述IoU=0.25。
优选的,所述步骤S5中的批归一化层包括:
对有d维的x=(x(1)…x(d))的输入数据的每一个维度进行归一化处理,
优选的,对网络层的每一个激活函数X(k)引入一组可学习参数γ(k)和β(k)进行变换重构
优选的,在所述步骤S5中的Conv1卷积层上添加L2正则,在全连接层和Softmax层添加概率p=0.5的Dropout层,在每个训练epoch中,在前向传播的时候,让某个神经元的激活值以一定的概率p停止工作。
对比现有技术,本发明的有益效果在于:
本申请提供了一种甲骨文单偏旁检测识别框架的设计,受汉字偏旁拆分的启发,从甲骨文合体字拆分的角度来考释甲骨文,通过最大极值稳定区域算法来筛选单偏旁文本区域,再采用非极大值抑制算法进行后处理,由于甲骨文单偏旁字符形状不规则,单偏旁变形较多,导致甲骨文单偏旁特征难以表征,传统汉字文字识别方法未能解决该问题,因此,本申请提供了一种BN-Lenet网络模型,对每个批次的每一个维度进行归一化处理,以此解决数据分布改变和网络收敛较慢的问题,可以有效地学习甲骨文拓片中有判别意义的深度特征,不仅可以对研究甲骨文相关工作者提供帮助,简化他们的数据处理相关工作,将甲骨文人工考释的工作量大大减小,从而使甲骨文研究者将研究精力转向更深的领域,同时也为计算机介入甲骨文考释提供了新思路,即从偏旁的角度来实现甲骨文考释,当有新的甲骨文字出土时,便可利用本申请来识别该新字。
附图说明
附图1是甲骨文偏旁的检测与识别的框架图;
附图2是经过最大极值稳定区域算法、椭圆拟合和非极大值抑制算法后的结果图;
附图3是BN-Lenet网络模型图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
实施例:如附图1所示,本发明所述是基于深度学习的甲骨文偏旁的检测与识别方法,按照以下步骤进行:
S1:对甲骨文拓片进行扫描或拍照,获得甲骨文图像,可用相机直接对甲骨文手写拓片或甲骨文扫描拓片进行拍摄;
S2:采用最大极值稳定区域算法(MSER)来筛选甲骨文图像中的甲骨文单偏旁区域;
S3:对选定的甲骨文单偏旁区域进行椭圆拟合;
S4:采用非极大值抑制算法(NMS)去除对同一个甲骨文单偏旁多余重复或错误的检测结果,完成甲骨文单偏旁的检测,获得甲骨文单偏旁数据;
S5:利用BN-Lenet网络模型识别甲骨文单偏旁数据,BN-Lenet网络模型是在传统的Lenet网络模型上进行的改进,如附图3,所述BN-Lenet网络模型包括2个卷积层、2个最大池化层、1个全连接层、1个softmax层、3个批归一化层和1个随机失活层,所述批归一化层位于卷积层与最大池化层之间,为了解决数据分布改变和模型过拟合的问题,在网络模型的卷积层和最大池化层中间***一个批归一化层,对每个批次的每一个维度进行归一化处理。
在甲骨文拓片中,由于背景和文本区域灰度对比度大,而甲骨文单偏旁文本区域内部灰度几乎不变,并且该区域能够在多重阈值下保持形状不变,符合最大极值稳定区域的特性,因此利用这一特性,可采用最大极值稳定区域(MSER)算法来筛选甲骨文单偏旁文本区域。
所述步骤S2具体包括:
S21:将甲骨文图像转换成灰度图像;
S22:在灰度区间[0,255]内的256个不同阈值对灰度图像进行二值化,令Qi表示二值化阈值i对应的二值图像中的某一连通区域,Δ为变化值,当二值化阈值由i变成i+Δ时,连通区域Qi变成Qi+Δ;当二值化阈值由i变成i-Δ时,连通区域Qi变成Qi-Δ;
S23:令v(i)表示两个不同阈值间的区域变化值,其中,Qi表示第i个甲骨文单偏旁连通区域的面积,Δ表示微小的阈值变化,随着亮度阈值的增加或者减少,计算v(i),当两个不同阈值间的区域变化不超过阈值i就被认为是稳定的,认为该甲骨文单偏旁区域为最大极值稳定区域。
为了进一步对最大极值稳定区域算法(MSER)得到的甲骨文单偏旁不规则区域进行处理,需要对选定的甲骨文单偏旁区域进行椭圆拟合。
所述步骤S3具体包括:
S31:确定甲骨文单偏旁区域椭圆拟合的重心坐标(xc,yc),
其中,m00、m01、m10是以甲骨文单偏旁最大极值稳定区域内的每个点的坐标为样本,计算整个甲骨文单偏旁的极值稳定区域的几何0阶矩和几何1阶矩:m00=∑I(x,y),m01=∑yI(x,y),m10=∑xI(x,y);
S32:确定甲骨文单偏旁区域椭圆拟合的长半轴、短半轴、角度,令a表示长半轴,b表示短半轴,θ表示角度,
在选取了甲骨文单偏旁最大极值稳定区域后,对椭圆拟合后的极值区域进行绘制时,椭圆框有互相重叠的部分,通过在最大极值稳定区域算法(MSER)基础上加入非极大值抑制算法(NMS)后处理操作,能够去除对同一个甲骨文单偏旁多余重复或错误的检测结果。
所述步骤S4具体包括:
S41:将甲骨文单偏旁区域分成N个框,每个框被分类器计算得到的分数为SN,建造一个存放待处理甲骨文单偏旁候选框的集合H,建造一个存放最优甲骨文单偏旁框的集合M,初始化为空集;
S42:将所有甲骨文单偏旁候选框的集合H的框进行排序,选出分数最高的甲骨文单选旁候选框m,从集合H移到集合M;
S43:遍历甲骨文单偏旁候选框的集合H中的框,分别与候选框m计算交并比,如果高于每个阈值,则认为该甲骨文单偏旁候选框与m重叠,将此框从集合H中去除,以IoU表示交并比,0<IoU<0.5;
S44:回到步骤S42进行迭代,直到甲骨文单偏旁候选框的集合H为空,集合M中的框为所需的最优甲骨文单偏旁检测框。
IoU的阈值是一个可优化的参数,为了获得最佳的处理效果,优选的,所述IoU=0.25时对甲骨文单偏旁处理效果最佳。
进一步的,在对甲骨文单偏旁进行最大极值稳定区域算法(MSER)检测之前,先进行形态学腐蚀操作,可以使检测精度提升。
进一步的,为了解决数据分布改变和模型过拟合的问题,所述步骤S5中的批归一化层包括:
进一步的,如果对某一层的输出数据只做归一化处理,然后送入网络的下一层,这样会影响网络该层所学习到甲骨文单偏旁特征,因此对网络层的每一个激活函数X(k)引入一组可学习参数γ(k)和β(k)进行变换重构
优选的,为了防止模型过拟合,在所述步骤S5中的Conv1卷积层上添加L2正则,在全连接层和Softmax层添加概率p=0.5的Dropout层,在每个训练epoch中,在前向传播的时候,让某个神经元的激活值以一定的概率p停止工作,可以明显地减少模型过拟合现象。
Claims (7)
1.基于深度学习的甲骨文偏旁的检测与识别方法,其特征在于,按照以下步骤进行:
S1:对甲骨文拓片进行扫描或拍照,获得甲骨文图像;
S2:采用最大极值稳定区域算法来筛选甲骨文图像中的甲骨文单偏旁区域;
S3:对选定的甲骨文单偏旁区域进行椭圆拟合;
所述步骤S3具体包括:
S31:确定甲骨文单偏旁区域椭圆拟合的重心坐标(xc,yc),
其中,m00、m01、m10是以甲骨文单偏旁最大极值稳定区域内的每个点的坐标为样本,计算整个甲骨文单偏旁的极值稳定区域的几何0阶矩和几何1阶矩:m00=∑I(x,y),m01=∑yI(x,y),m10=∑xI(x,y);
S32:确定甲骨文单偏旁区域椭圆拟合的长半轴、短半轴、角度,令a表示长半轴,b表示短半轴,θ表示角度,λ1、λ2为中心二阶矩的两个特征值,其中:μ20=∑(x-xc)2I(x,y),μ02=∑(y-yc)2I(x,y),μ11=∑(x-xc)(y-yc)I(x,y);
S4:采用非极大值抑制算法去除对同一个甲骨文单偏旁多余重复或错误的检测结果,完成甲骨文单偏旁的检测,获得甲骨文单偏旁数据;
S5:利用BN-Lenet网络模型识别甲骨文单偏旁数据,所述BN-Lenet网络模型包括2个卷积层、2个最大池化层、1个全连接层、1个softmax层、3个批归一化层和1个随机失活层,所述批归一化层位于卷积层与最大池化层之间。
3.根据权利要求1所述的基于深度学习的甲骨文偏旁的检测与识别方法,其特征在于,所述步骤S4具体包括:
S41:将甲骨文单偏旁区域分成N个框,每个框被分类器计算得到的分数为SN,建造一个存放待处理甲骨文单偏旁候选框的集合H,建造一个存放最优甲骨文单偏旁框的集合M,初始化为空集;
S42:将所有甲骨文单偏旁候选框的集合H的框进行排序,选出分数最高的甲骨文单选旁候选框m,从集合H移到集合M;
S43:遍历甲骨文单偏旁候选框的集合H中的框,分别与候选框m计算交并比,如果高于每个阈值,则认为该甲骨文单偏旁候选框与m重叠,将此框从集合H中去除,以IoU表示交并比,0<IoU<0.5;
S44:回到步骤S42进行迭代,直到甲骨文单偏旁候选框的集合H为空,集合M中的框为所需的最优甲骨文单偏旁检测框。
4.根据权利要求3所述的基于深度学习的甲骨文偏旁的检测与识别方法,其特征在于:所述IoU=0.25。
7.根据权利要求1所述的基于深度学习的甲骨文偏旁的检测与识别方法,其特征在于:在所述步骤S5中的Conv1卷积层上添加L2正则,在全连接层和Softmax层添加概率p=0.5的Dropout层,在每个训练epoch中,在前向传播的时候,让某个神经元的激活值以一定的概率p停止工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344366.6A CN111539437B (zh) | 2020-04-27 | 2020-04-27 | 基于深度学习的甲骨文偏旁的检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344366.6A CN111539437B (zh) | 2020-04-27 | 2020-04-27 | 基于深度学习的甲骨文偏旁的检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539437A CN111539437A (zh) | 2020-08-14 |
CN111539437B true CN111539437B (zh) | 2022-06-28 |
Family
ID=71977390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344366.6A Active CN111539437B (zh) | 2020-04-27 | 2020-04-27 | 基于深度学习的甲骨文偏旁的检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539437B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115680B (zh) * | 2020-08-18 | 2023-01-10 | 天津洪恩完美未来教育科技有限公司 | 字体拆分方法、装置、计算机设备及计算机可读存储介质 |
CN112232348B (zh) * | 2020-09-07 | 2021-10-01 | 华南师范大学 | 一种基于机器视觉的甲骨文识别方法及*** |
CN112541452A (zh) * | 2020-12-18 | 2021-03-23 | 中用科技有限公司 | 一种针对可疑人员的管控方法、***及设备 |
CN113505783B (zh) * | 2021-06-11 | 2024-07-12 | 清华大学 | 基于少次学习的甲骨文单字识别方法和装置 |
CN114067331B (zh) * | 2021-11-25 | 2022-09-06 | 吉林大学 | 一种甲骨文字体构建方法 |
CN117453574A (zh) * | 2023-12-25 | 2024-01-26 | 济南新天宇汽车电器有限公司 | 一种全液晶汽车仪表自动化测试方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750540A (zh) * | 2012-06-12 | 2012-10-24 | 大连理工大学 | 基于形态滤波增强的最稳定极值区视频文本检测方法 |
CN108664996A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种基于深度学习的古文字识别方法及*** |
CN108805223A (zh) * | 2018-05-18 | 2018-11-13 | 厦门大学 | 一种基于Incep-CapsNet网络的篆文识别方法及*** |
CN110147831A (zh) * | 2019-05-04 | 2019-08-20 | 鲁绪正 | 基于Capsule网络和迁移学习的甲骨文构件识别*** |
CN110188781A (zh) * | 2019-06-06 | 2019-08-30 | 焦点科技股份有限公司 | 一种基于深度学习的古诗文自动识别方法 |
CN110188750A (zh) * | 2019-05-16 | 2019-08-30 | 杭州电子科技大学 | 一种基于深度学习的自然场景图片文字识别方法 |
CN110598030A (zh) * | 2019-09-26 | 2019-12-20 | 西南大学 | 一种基于局部cnn框架的甲骨拓片分类方法 |
CN110610006A (zh) * | 2019-09-18 | 2019-12-24 | 中国科学技术大学 | 基于笔画和字形的形态学双通道中文词嵌入方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650736A (zh) * | 2016-09-28 | 2017-05-10 | 浪潮软件集团有限公司 | 一种基于深度学习的汉字识别***的实现方法 |
CN107085726A (zh) * | 2017-01-04 | 2017-08-22 | 安阳师范学院 | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 |
-
2020
- 2020-04-27 CN CN202010344366.6A patent/CN111539437B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750540A (zh) * | 2012-06-12 | 2012-10-24 | 大连理工大学 | 基于形态滤波增强的最稳定极值区视频文本检测方法 |
CN108664996A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种基于深度学习的古文字识别方法及*** |
CN108805223A (zh) * | 2018-05-18 | 2018-11-13 | 厦门大学 | 一种基于Incep-CapsNet网络的篆文识别方法及*** |
CN110147831A (zh) * | 2019-05-04 | 2019-08-20 | 鲁绪正 | 基于Capsule网络和迁移学习的甲骨文构件识别*** |
CN110188750A (zh) * | 2019-05-16 | 2019-08-30 | 杭州电子科技大学 | 一种基于深度学习的自然场景图片文字识别方法 |
CN110188781A (zh) * | 2019-06-06 | 2019-08-30 | 焦点科技股份有限公司 | 一种基于深度学习的古诗文自动识别方法 |
CN110610006A (zh) * | 2019-09-18 | 2019-12-24 | 中国科学技术大学 | 基于笔画和字形的形态学双通道中文词嵌入方法 |
CN110598030A (zh) * | 2019-09-26 | 2019-12-20 | 西南大学 | 一种基于局部cnn框架的甲骨拓片分类方法 |
Non-Patent Citations (7)
Title |
---|
Oracle Character Recognition by Nearest Neighbor Classification with Deep Metric Learning;Yi-Kang Zhang 等;《2019 International Conference on Document Analysis and Recognition (ICDAR)》;20200203;309-314 * |
一种基于深度学习的古彝文识别方法;陈善雄 等;《浙江大学学报(理学版)》;20190515;第46卷(第3期);261-269 * |
一种基于深度学习的青铜器铭文识别方法;李文英等;《自动化学报》;20181007(第11期);105-112 * |
基于SVM的甲骨文字识别;刘永革 等;《安阳师范学院学报》;20170415(第2期);54-56 * |
基于深度学习的甲骨文偏旁与合体字的识别研究;林小渝 等;《南京师大学报(自然科学版)》;20210620;第44卷(第2期);104-116 * |
基于深度学习的甲骨文偏旁与合体字识别的研究与实现;林小渝;《中国优秀博硕士学位论文全文数据库(硕士)哲学与人文科学辑》;20220115(第1期);F097-15 * |
基于深度学习的甲骨文检测与识别研究;王浩彬;《中国优秀博硕士学位论文全文数据库(硕士)哲学与人文科学辑》;20200215(第2期);F097-64 * |
Also Published As
Publication number | Publication date |
---|---|
CN111539437A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539437B (zh) | 基于深度学习的甲骨文偏旁的检测与识别方法 | |
Cui et al. | Identifying materials of photographic images and photorealistic computer generated graphics based on deep CNNs. | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN109871851B (zh) | 一种基于卷积神经网络算法的汉字书写规范性判定方法 | |
CN110555368A (zh) | 基于三维卷积神经网络的跌倒行为识别方法 | |
Burie et al. | ICFHR2016 competition on the analysis of handwritten text in images of balinese palm leaf manuscripts | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN113920516B (zh) | 一种基于孪生神经网络的书法字骨架匹配方法及*** | |
CN111553873A (zh) | 基于多尺度卷积神经网络的脑神经元自动检测方法 | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
Wei et al. | Non-homogeneous haze removal via artificial scene prior and bidimensional graph reasoning | |
CN109697442A (zh) | 一种字符识别模型的训练方法和装置 | |
Chen et al. | A finger vein recognition algorithm based on deep learning | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN115100406B (zh) | 一种基于超像素处理的权重信息熵模糊c均值聚类方法 | |
CN111553437A (zh) | 一种基于神经网络图像分类方法 | |
Xiang et al. | The study of Chinese calligraphy font style based on edge-guided filter and convolutional neural network | |
CN113344102B (zh) | 基于图像hog特征与elm模型的目标图像识别方法 | |
Dong | 3D face recognition neural network for digital human resource management | |
Zhao et al. | Research on the recognition of car models based on deep-learning networks | |
Antony et al. | Segmentation and recognition of characters on Tulu palm leaf manuscripts | |
Zhang et al. | Computer Artificial Intelligence Algorithms in the Design and Processing of Visual Communication Plane Graphics | |
CN117274723B (zh) | 一种用于输电巡检的目标识别方法、***、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |