手工纸显微图像分析

手工纸显微图像分析
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者:
2016-06
版次: 1
ISBN: 9787302432050
定价: 29.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 90页
字数: 91千字
分类: 工程技术
26人买过
  • 本书应用计算机图像处理、图像分析技术对中国传统手工纸进行分析,在传统工艺、中国造纸史、图像分析交叉领域开展研究。首先通过文献调研、专家走访、显微实验等方式获取手工纸的基本属性,构建手工纸主宰性信息特征模型;研究纤维特征与工艺、原料、年代的关系,探索基于显微图像特征的手工纸的制作工艺或造纸原料分析方法;基于计算机图像分析理论和技术,设计了手工纸显微图像分析软件,实现无损或微损的手工纸属性自动分析,并将新技术应用于纸质文物保护领领域。本书适合计算机、科技史专业的学者,以及对纸质文物保护感兴趣的研究者参考阅读。 第1章绪论1

    1.1内容和目标3

    1.2实验数据4

    第2章纸张分析方法6

    2.1显微观察6

    2.2红外光谱分析7

    2.3气味分析8

    2.4X射线分析8

    2.5Raman 光谱分析9

    2.6气相色谱法10

    2.7图像分析10

    2.8各种方法的讨论11

    第3章纤维种类与纸龄相关性研究12

    3.1研究目标12

    3.2中国造纸原料发展与纤维特征13

    3.2.1汉代造纸原料与麻纤维特征13

    3.2.2两晋南北朝时期造纸原料与皮料特征14

    3.2.3隋唐时期造纸原料与竹料特征18

    3.2.4宋元时期造纸原料与草料特征20

    3.2.5明清时期造纸原料与特征22

    3.2.6近现代造纸植物原料与特征24

    3.3纤维特征与纸龄关系27

    3.4纸龄分析方法28

    3.5古纸纸龄分析实践28

    3.5.1古纸来源28

    3.5.2古纸检测28

    3.5.3古纸纸龄分析29

    小结30

    第4章基于傅里叶变换的手工纸匀度无损测量31

    4.1研究目标31

    4.2传统造纸工艺调研31

    4.2.1抄纸法造纸技术31

    4.2.2浇纸法造纸技术35

    4.3纸张匀度测量方法36

    4.4纸张匀度分析模型38

    4.4.1图像获取与预处理38

    4.4.2快速傅里叶变换41

    4.4.3统计分析42

    4.5实验与结果分析43

    4.5.1匀度分析程序43

    4.5.2模拟试验43

    4.5.3抗张强度实物试验43

    4.5.4图像分析实物试验45

    4.5.5实验结果分析47

    小结48

    第5章基于图像颜色特征的成分测量49

    5.1传统原料配比测量方法51

    5.1.1视野法51

    5.1.2显微计数法51

    5.1.3投影测量法52

    5.2颜色特征分析52

    5.2.1染色后的纤维呈色52

    5.2.2混合原料显微图像特征54

    5.2.3颜色空间55

    5.2.4颜色邻近性度量58

    5.3颜色聚类算法59

    5.3.1阈值聚类算法60

    5.3.2Kmeans算法62

    5.4成分自动测量方法63

    5.4.1预处理63

    5.4.2Kmeans 聚类65

    5.4.3结果输出形式66

    5.5彩色图像实验67

    5.5.1彩色模拟实验67

    5.5.2彩色实物实验69

    5.6灰度图像实验71

    5.6.1灰度图像来源71

    5.6.2颜色分析实验73

    5.7不规则古纸的面积测量75

    5.7.1面积计算模型75

    5.7.2不规则古纸测量实验76

    小结77

    第6章讨论79

    6.1研究进展79

    6.2展望81

    参考文献83

    1.1引言1

    1.2机器学习方法2

    1.2.1监督学习方法3

    1.2.2半监督学习方法4

    1.3深度学习方法6

    1.4本书的研究内容9

    1.5本书的结构安排12

    第2章区分深度置信网络方法15

    2.1引言15

    2.2图像分类16

    2.3区分深度置信网络17

    2.3.1半监督学习问题描述17

    2.3.2区分深度置信网络结构18

    2.3.3区分深度置信网络的无监督学习方法19

    2.3.4区分深度置信网络的监督学习方法21

    2.3.5区分深度置信网络算法流程25

    2.4区分深度置信网络实验26

    2.4.1区分深度置信网络实验设置26

    2.4.2在小规模人工数据集上的实验27

    2.4.3在中规模图片数据集上的实验28

    2.4.4在大规模手写数据集上的实验30

    2.4.5在不同规模和深度的深层架构上的实验31

    2.5本章小结35

    第3章自适应深度置信网络方法36

    3.1引言36

    3.2自适应深度置信网络37

    3.2.1监督学习问题描述37

    3.2.2自适应深度置信网络结构37

    3.2.3自适应深度置信网络的无监督学习方法38

    3.2.4自适应深度置信网络的监督学习方法40

    3.2.5自适应深度置信网络算法流程40

    3.3自适应深度置信网络实验42

    3.3.1自适应深度置信网络实验设置42

    3.3.2在中规模图片数据集上的实验43

    3.3.3在中规模手写字母数据集上的实验43

    3.3.4在大规模手写数字数据集上的实验46

    3.4本章小结50

    第4章量子深度置信网络方法51

    4.1引言51

    4.2量子深度置信网络52

    4.2.1量子深度置信网络结构52

    4.2.2量子深度置信网络的监督学习方法55

    4.2.3量子深度置信网络算法流程56

    4.3量子深度置信网络实验57

    4.3.1量子深度置信网络实验设置57

    4.3.2在小规模花数据集上的实验58

    4.3.3在小规模诊断数据集上的实验60

    4.3.4在大规模手写数据集上的实验61

    4.4本章小结65

    第5章主动深度置信网络方法66

    5.1引言66

    5.2情感分类67

    5.3主动深度置信网络70

    5.3.1主动学习问题描述70

    5.3.2主动深度置信网络的主动学习方法71

    5.3.3主动深度置信网络算法流程73

    5.4主动深度置信网络实验75

    5.4.1主动深度置信网络实验设置75

    5.4.2主动深度置信网络性能76

    5.4.3主动学习效果78

    5.4.4损失函数效果79

    5.4.5使用不同数量标注数据实验80

    5.5本章小结82

    第6章主动模糊深度置信网络方法83

    6.1引言83

    6.2模糊深度置信网络84

    6.2.1模糊深度置信网络结构85

    6.2.2模糊参数提取86

    6.2.3模糊深度置信网络算法88

    6.2.4使用模糊深度置信网络分类89

    6.3主动模糊深度置信网络91

    6.3.1主动模糊深度置信网络算法描述91

    6.3.2使用主动模糊深度置信网络分类92

    6.4主动模糊深度置信网络实验93

    6.4.1主动模糊深度置信网络实验设置93

    6.4.2模糊深度置信网络性能94

    6.4.3主动模糊深度置信网络性能95

    6.4.4使用不同数量的标注数据实验97

    6.4.5本书所提出的各种方法的训练时间99

    6.5本章小结101

    第7章基于深度学习的手写中文识别102

    7.1引言102

    7.2手写识别103

    7.3使用深层架构的手写识别系统104

    7.4手写识别系统中用到的深层架构105

    7.5手写中文识别实验106

    7.5.1在HITOR3C数据库上的实验107

    7.5.2在CASIAOLHWDB1数据库上的实验111

    7.5.3在SCUTCOUCH2009数据库上的实验111

    7.6本章小结115

    结论116

    参考文献120ContentsContents

    Chapter 1Introduction1

    1.1Background and Motivation1

    1.2Machine Learning2

    1.2.1Supervised Learning3

    1.2.2Semisupervised Learning4

    1.3Deep Learning6

    1.4Research Contents and Main Contributions of This Book9

    1.5Organization of This Book12

    Chapter 2Research on Discriminate Deep Belief Networks Methods15

    2.1Introduction15

    2.2Current Status of Image Classification16

    2.3Discriminative Deep Belief Networks17

    2.3.1Problem Formulation of Semisupervised Learning17

    2.3.2Architecture of Discriminative Deep Belief

    Networks18

    2.3.3Unsupervised Learning of Discriminative Deep

    Belief Networks19

    2.3.4Supervised Learning of Discriminative Deep

    Belief Networks21

    2.3.5Algorithm Procedure of Discriminative Deep

    Belief Networks25

    2.4Experiments for Discriminative Deep Belief Networks26

    2.4.1Experimental Setting of Discriminative Deep

    Belief Networks26

    2.4.2Experiments on Smallscale Artificial Dataset27

    2.4.3Experiments on Middlescale Image Dataset28

    2.4.4Experiments on Largescale Handwritten Dataset30

    2.4.5Experiments on Different Scales and Depth of

    Deep Architecture31

    2.5Summary of This Chapter35

    Chapter 3Research on Adaptive Deep Belief Networks Methods36

    3.1Introduction36

    3.2Adaptive Deep Belief Networks37

    3.2.1Problem Formulation of Supervised Learning37

    3.2.2Architecture of Adaptive Deep Belief Networks37

    3.2.3Unsupervised Learning of Adaptive Deep Belief

    Networks38

    3.2.4Supervised Learning of Adaptive Deep Belief

    Networks40

    3.2.5Algorithm Procedure of Adaptive Deep

    Belief Networks 40

    3.3Experiments for Adaptive Deep Belief Networks42

    3.3.1Experimental Setting of Adaptive Deep Belief

    Networks 42

    3.3.2Experiments on Middlescale Image Dataset43

    3.3.3Experiments on Middlescale Handwritten

    Alphabets Dataset43

    3.3.4Experiments on Largescale Handwritten Digit

    Dataset46

    3.4Summary of This Chapter50

    Chapter 4Research on Quantum Deep Belief Networks Methods51

    4.1Introduction51

    4.2Quantum Deep Belief Networks52

    4.2.1Architecture of Quantum Deep Belief Networks52

    4.2.2Supervised Learning of Quantum Deep Belief

    Networks55

    4.2.3Procedure of Quantum Deep Belief Networks56

    4.3Experiments for Quantum Deep Belief Networks57

    4.3.1Experimental Setting of Quantum Deep Belief

    Networks57

    4.3.2Experiments on Smallscale Flower Dataset58

    4.3.3Experiments on Smallscale Diagnostic Dataset60

    4.3.4Experiments on Largescale Handwritten Dataset61

    4.4Summary of This Chapter65

    Chapter 5Research on Active Deep Belief Networks Methods66

    5.1Introduction66

    5.2Current Status of Sentiment Classification67

    5.3Active Deep Belief Networks70

    5.3.1Problem Formulation of Active Learning70

    5.3.2Active Learning of Active Deep Belief Networks71

    5.3.3Algorithm Procedure of Active Deep Belief

    Networks73

    5.4Experiments for Active Deep Belief Networks75

    5.4.1Experimental Setting of Active Deep Belief

    Networks75

    5.4.2Performance of Active Deep Belief Networks76

    5.4.3Effect of Active Learning78

    5.4.4Effect of Loss Function79

    5.4.5Experiment with Variance of Labeled Data80

    5.5Summary of This Chapter82

    Chapter 6Research on Active Fuzzy Deep Belief Networks Methods83

    6.1Introduction83

    6.2Fuzzy Deep Belief Networks84

    6.2.1Architecture of Fuzzy Deep Belief Networks 85

    6.2.2Fuzzy Parameter Extraction86

    6.2.3Fuzzy Deep Belief Networks Algorithm88

    6.2.4Classification Using Fuzzy Deep Belief Networks 89

    6.3Active Fuzzy Deep Belief Networks91

    6.3.1Algorithm Description of Active Fuzzy Deep

    Belief Networks91

    6.3.2Classification Using Active Fuzzy Deep Belief

    Networks92

    6.4Experiments for Fuzzy Deep Belief Networks 93

    6.4.1Experimental Setting of Fuzzy Deep Belief

    Networks93

    6.4.2Performance of Fuzzy Deep Belief Networks94

    6.4.3Performance of Active Fuzzy Deep Belief

    Networks95

    6.4.4Experiments with Different Number of Labeled

    Data97

    6.4.5Training Time of Different Methods Proposed in

    This Book99

    6.5Summary of This Chapter101

    Chapter 7Deep Learning Based Chinese Character Handwriting

    Recognition102

    7.1Introduction102

    7.2Current Status of Handwriting Recognition103

    7.3Handwriting Recognition with Deep Networks System104

    7.4Deep Networks in Handwriting Recognition with Deep

    Networks System105

    7.5Experiments for Handwritten Chinese Recognition 106

    7.5.1Experiments on HITOR3C Database107

    7.5.2Experiments on CASIAOLHWDB1 Database111

    7.5.3Experiments on SCUTCOUCH2009 Database111

    7.6Summary of This Chapter115

    Conclusions116

    References120

             Microscopic Image Analysis ofHandmade Paper

    刘畅 著

    内容简介

                   前言

    作者

    2015.12
  • 内容简介:
    本书应用计算机图像处理、图像分析技术对中国传统手工纸进行分析,在传统工艺、中国造纸史、图像分析交叉领域开展研究。首先通过文献调研、专家走访、显微实验等方式获取手工纸的基本属性,构建手工纸主宰性信息特征模型;研究纤维特征与工艺、原料、年代的关系,探索基于显微图像特征的手工纸的制作工艺或造纸原料分析方法;基于计算机图像分析理论和技术,设计了手工纸显微图像分析软件,实现无损或微损的手工纸属性自动分析,并将新技术应用于纸质文物保护领领域。本书适合计算机、科技史专业的学者,以及对纸质文物保护感兴趣的研究者参考阅读。
  • 目录:
    第1章绪论1

    1.1内容和目标3

    1.2实验数据4

    第2章纸张分析方法6

    2.1显微观察6

    2.2红外光谱分析7

    2.3气味分析8

    2.4X射线分析8

    2.5Raman 光谱分析9

    2.6气相色谱法10

    2.7图像分析10

    2.8各种方法的讨论11

    第3章纤维种类与纸龄相关性研究12

    3.1研究目标12

    3.2中国造纸原料发展与纤维特征13

    3.2.1汉代造纸原料与麻纤维特征13

    3.2.2两晋南北朝时期造纸原料与皮料特征14

    3.2.3隋唐时期造纸原料与竹料特征18

    3.2.4宋元时期造纸原料与草料特征20

    3.2.5明清时期造纸原料与特征22

    3.2.6近现代造纸植物原料与特征24

    3.3纤维特征与纸龄关系27

    3.4纸龄分析方法28

    3.5古纸纸龄分析实践28

    3.5.1古纸来源28

    3.5.2古纸检测28

    3.5.3古纸纸龄分析29

    小结30

    第4章基于傅里叶变换的手工纸匀度无损测量31

    4.1研究目标31

    4.2传统造纸工艺调研31

    4.2.1抄纸法造纸技术31

    4.2.2浇纸法造纸技术35

    4.3纸张匀度测量方法36

    4.4纸张匀度分析模型38

    4.4.1图像获取与预处理38

    4.4.2快速傅里叶变换41

    4.4.3统计分析42

    4.5实验与结果分析43

    4.5.1匀度分析程序43

    4.5.2模拟试验43

    4.5.3抗张强度实物试验43

    4.5.4图像分析实物试验45

    4.5.5实验结果分析47

    小结48

    第5章基于图像颜色特征的成分测量49

    5.1传统原料配比测量方法51

    5.1.1视野法51

    5.1.2显微计数法51

    5.1.3投影测量法52

    5.2颜色特征分析52

    5.2.1染色后的纤维呈色52

    5.2.2混合原料显微图像特征54

    5.2.3颜色空间55

    5.2.4颜色邻近性度量58

    5.3颜色聚类算法59

    5.3.1阈值聚类算法60

    5.3.2Kmeans算法62

    5.4成分自动测量方法63

    5.4.1预处理63

    5.4.2Kmeans 聚类65

    5.4.3结果输出形式66

    5.5彩色图像实验67

    5.5.1彩色模拟实验67

    5.5.2彩色实物实验69

    5.6灰度图像实验71

    5.6.1灰度图像来源71

    5.6.2颜色分析实验73

    5.7不规则古纸的面积测量75

    5.7.1面积计算模型75

    5.7.2不规则古纸测量实验76

    小结77

    第6章讨论79

    6.1研究进展79

    6.2展望81

    参考文献83

    1.1引言1

    1.2机器学习方法2

    1.2.1监督学习方法3

    1.2.2半监督学习方法4

    1.3深度学习方法6

    1.4本书的研究内容9

    1.5本书的结构安排12

    第2章区分深度置信网络方法15

    2.1引言15

    2.2图像分类16

    2.3区分深度置信网络17

    2.3.1半监督学习问题描述17

    2.3.2区分深度置信网络结构18

    2.3.3区分深度置信网络的无监督学习方法19

    2.3.4区分深度置信网络的监督学习方法21

    2.3.5区分深度置信网络算法流程25

    2.4区分深度置信网络实验26

    2.4.1区分深度置信网络实验设置26

    2.4.2在小规模人工数据集上的实验27

    2.4.3在中规模图片数据集上的实验28

    2.4.4在大规模手写数据集上的实验30

    2.4.5在不同规模和深度的深层架构上的实验31

    2.5本章小结35

    第3章自适应深度置信网络方法36

    3.1引言36

    3.2自适应深度置信网络37

    3.2.1监督学习问题描述37

    3.2.2自适应深度置信网络结构37

    3.2.3自适应深度置信网络的无监督学习方法38

    3.2.4自适应深度置信网络的监督学习方法40

    3.2.5自适应深度置信网络算法流程40

    3.3自适应深度置信网络实验42

    3.3.1自适应深度置信网络实验设置42

    3.3.2在中规模图片数据集上的实验43

    3.3.3在中规模手写字母数据集上的实验43

    3.3.4在大规模手写数字数据集上的实验46

    3.4本章小结50

    第4章量子深度置信网络方法51

    4.1引言51

    4.2量子深度置信网络52

    4.2.1量子深度置信网络结构52

    4.2.2量子深度置信网络的监督学习方法55

    4.2.3量子深度置信网络算法流程56

    4.3量子深度置信网络实验57

    4.3.1量子深度置信网络实验设置57

    4.3.2在小规模花数据集上的实验58

    4.3.3在小规模诊断数据集上的实验60

    4.3.4在大规模手写数据集上的实验61

    4.4本章小结65

    第5章主动深度置信网络方法66

    5.1引言66

    5.2情感分类67

    5.3主动深度置信网络70

    5.3.1主动学习问题描述70

    5.3.2主动深度置信网络的主动学习方法71

    5.3.3主动深度置信网络算法流程73

    5.4主动深度置信网络实验75

    5.4.1主动深度置信网络实验设置75

    5.4.2主动深度置信网络性能76

    5.4.3主动学习效果78

    5.4.4损失函数效果79

    5.4.5使用不同数量标注数据实验80

    5.5本章小结82

    第6章主动模糊深度置信网络方法83

    6.1引言83

    6.2模糊深度置信网络84

    6.2.1模糊深度置信网络结构85

    6.2.2模糊参数提取86

    6.2.3模糊深度置信网络算法88

    6.2.4使用模糊深度置信网络分类89

    6.3主动模糊深度置信网络91

    6.3.1主动模糊深度置信网络算法描述91

    6.3.2使用主动模糊深度置信网络分类92

    6.4主动模糊深度置信网络实验93

    6.4.1主动模糊深度置信网络实验设置93

    6.4.2模糊深度置信网络性能94

    6.4.3主动模糊深度置信网络性能95

    6.4.4使用不同数量的标注数据实验97

    6.4.5本书所提出的各种方法的训练时间99

    6.5本章小结101

    第7章基于深度学习的手写中文识别102

    7.1引言102

    7.2手写识别103

    7.3使用深层架构的手写识别系统104

    7.4手写识别系统中用到的深层架构105

    7.5手写中文识别实验106

    7.5.1在HITOR3C数据库上的实验107

    7.5.2在CASIAOLHWDB1数据库上的实验111

    7.5.3在SCUTCOUCH2009数据库上的实验111

    7.6本章小结115

    结论116

    参考文献120ContentsContents

    Chapter 1Introduction1

    1.1Background and Motivation1

    1.2Machine Learning2

    1.2.1Supervised Learning3

    1.2.2Semisupervised Learning4

    1.3Deep Learning6

    1.4Research Contents and Main Contributions of This Book9

    1.5Organization of This Book12

    Chapter 2Research on Discriminate Deep Belief Networks Methods15

    2.1Introduction15

    2.2Current Status of Image Classification16

    2.3Discriminative Deep Belief Networks17

    2.3.1Problem Formulation of Semisupervised Learning17

    2.3.2Architecture of Discriminative Deep Belief

    Networks18

    2.3.3Unsupervised Learning of Discriminative Deep

    Belief Networks19

    2.3.4Supervised Learning of Discriminative Deep

    Belief Networks21

    2.3.5Algorithm Procedure of Discriminative Deep

    Belief Networks25

    2.4Experiments for Discriminative Deep Belief Networks26

    2.4.1Experimental Setting of Discriminative Deep

    Belief Networks26

    2.4.2Experiments on Smallscale Artificial Dataset27

    2.4.3Experiments on Middlescale Image Dataset28

    2.4.4Experiments on Largescale Handwritten Dataset30

    2.4.5Experiments on Different Scales and Depth of

    Deep Architecture31

    2.5Summary of This Chapter35

    Chapter 3Research on Adaptive Deep Belief Networks Methods36

    3.1Introduction36

    3.2Adaptive Deep Belief Networks37

    3.2.1Problem Formulation of Supervised Learning37

    3.2.2Architecture of Adaptive Deep Belief Networks37

    3.2.3Unsupervised Learning of Adaptive Deep Belief

    Networks38

    3.2.4Supervised Learning of Adaptive Deep Belief

    Networks40

    3.2.5Algorithm Procedure of Adaptive Deep

    Belief Networks 40

    3.3Experiments for Adaptive Deep Belief Networks42

    3.3.1Experimental Setting of Adaptive Deep Belief

    Networks 42

    3.3.2Experiments on Middlescale Image Dataset43

    3.3.3Experiments on Middlescale Handwritten

    Alphabets Dataset43

    3.3.4Experiments on Largescale Handwritten Digit

    Dataset46

    3.4Summary of This Chapter50

    Chapter 4Research on Quantum Deep Belief Networks Methods51

    4.1Introduction51

    4.2Quantum Deep Belief Networks52

    4.2.1Architecture of Quantum Deep Belief Networks52

    4.2.2Supervised Learning of Quantum Deep Belief

    Networks55

    4.2.3Procedure of Quantum Deep Belief Networks56

    4.3Experiments for Quantum Deep Belief Networks57

    4.3.1Experimental Setting of Quantum Deep Belief

    Networks57

    4.3.2Experiments on Smallscale Flower Dataset58

    4.3.3Experiments on Smallscale Diagnostic Dataset60

    4.3.4Experiments on Largescale Handwritten Dataset61

    4.4Summary of This Chapter65

    Chapter 5Research on Active Deep Belief Networks Methods66

    5.1Introduction66

    5.2Current Status of Sentiment Classification67

    5.3Active Deep Belief Networks70

    5.3.1Problem Formulation of Active Learning70

    5.3.2Active Learning of Active Deep Belief Networks71

    5.3.3Algorithm Procedure of Active Deep Belief

    Networks73

    5.4Experiments for Active Deep Belief Networks75

    5.4.1Experimental Setting of Active Deep Belief

    Networks75

    5.4.2Performance of Active Deep Belief Networks76

    5.4.3Effect of Active Learning78

    5.4.4Effect of Loss Function79

    5.4.5Experiment with Variance of Labeled Data80

    5.5Summary of This Chapter82

    Chapter 6Research on Active Fuzzy Deep Belief Networks Methods83

    6.1Introduction83

    6.2Fuzzy Deep Belief Networks84

    6.2.1Architecture of Fuzzy Deep Belief Networks 85

    6.2.2Fuzzy Parameter Extraction86

    6.2.3Fuzzy Deep Belief Networks Algorithm88

    6.2.4Classification Using Fuzzy Deep Belief Networks 89

    6.3Active Fuzzy Deep Belief Networks91

    6.3.1Algorithm Description of Active Fuzzy Deep

    Belief Networks91

    6.3.2Classification Using Active Fuzzy Deep Belief

    Networks92

    6.4Experiments for Fuzzy Deep Belief Networks 93

    6.4.1Experimental Setting of Fuzzy Deep Belief

    Networks93

    6.4.2Performance of Fuzzy Deep Belief Networks94

    6.4.3Performance of Active Fuzzy Deep Belief

    Networks95

    6.4.4Experiments with Different Number of Labeled

    Data97

    6.4.5Training Time of Different Methods Proposed in

    This Book99

    6.5Summary of This Chapter101

    Chapter 7Deep Learning Based Chinese Character Handwriting

    Recognition102

    7.1Introduction102

    7.2Current Status of Handwriting Recognition103

    7.3Handwriting Recognition with Deep Networks System104

    7.4Deep Networks in Handwriting Recognition with Deep

    Networks System105

    7.5Experiments for Handwritten Chinese Recognition 106

    7.5.1Experiments on HITOR3C Database107

    7.5.2Experiments on CASIAOLHWDB1 Database111

    7.5.3Experiments on SCUTCOUCH2009 Database111

    7.6Summary of This Chapter115

    Conclusions116

    References120

             Microscopic Image Analysis ofHandmade Paper

    刘畅 著

    内容简介

                   前言

    作者

    2015.12
查看详情
相关图书 / 更多
手工纸显微图像分析
手工印染艺术与技术
汪芳;刘洋
手工纸显微图像分析
手工布艺玩偶设计与工艺
汪芳 傅鹏瑾
手工纸显微图像分析
手工制作
刘强 主编
手工纸显微图像分析
手工印染技艺——扎染&型染实战
张植屹 张晓平 马 丽
手工纸显微图像分析
手工制作
马健 著;马健 编
手工纸显微图像分析
手工制作
李冰
手工纸显微图像分析
手工开悟 :非遗与文创设计
杨慧子
手工纸显微图像分析
手工创意(二)
王海东;徐健
手工纸显微图像分析
手工印染艺术设计与工艺(2版)
鲍小龙;刘月蕊
手工纸显微图像分析
手工艺在都市的生长:现代民俗学的探索
徐赣丽;滕璐阳
手工纸显微图像分析
手工制作教程(第2版)
吕袁媛;邱秀君
手工纸显微图像分析
手工创意(一)
徐健
您可能感兴趣 / 更多
手工纸显微图像分析
北冥有鱼 绘本 刘畅 新华正版
刘畅
手工纸显微图像分析
创造性的人——20世纪上半期中国社会的创造观念
刘畅
手工纸显微图像分析
古风也流行:动人心弦的古筝曲128首
刘畅 改编;刘佳佳;吴美琪
手工纸显微图像分析
商业计划书写作技巧与范本精讲
刘畅
手工纸显微图像分析
新时代中外合作办学大学生思想政治教育研究
刘畅
手工纸显微图像分析
民间纠纷调解
刘畅
手工纸显微图像分析
商务职场沟通英语
刘畅;徐林林;邢青;张林华;吕汀;徐世红;俞博
手工纸显微图像分析
新公司成立、注册、制度、财务一本通
刘畅
手工纸显微图像分析
虚拟治理成本法的司法运用研究
刘畅
手工纸显微图像分析
C语言实用教程(第4版)
刘畅
手工纸显微图像分析
城镇化背后--劳动力转移视角下的农村老人营养健康
刘畅,易福金
手工纸显微图像分析
企业战略管理
刘畅 主编;舒靖钧;张建贵