论文摘要
目前自然场景下水表示数的统计工作由人工完成,但在大工作量的情况下人工统计容易出现统计错误和遗漏的情况,而且这一过程繁琐,耗时耗力。针对这种情况,提出一种基于深度学习的数字识别与检测算法。首先,使用旋转区域卷积神经网络(R2CNN)检测出文本框;然后,对该文本框区域使用基于注意机制(Attention)的文本识别算法预测出最终结果;最终,通过对不同深度的卷积神经网络(CNN)的速度和准确度进行对比,使用了一种准确有效的配置。结果显示训练好的网络模型可以应用于自然环境下的水表示数检测,能够达到实时检测的效果,并且优于其他检测识别算法的效果。不同数据下的结果验证了算法的有效性和鲁棒性。
论文目录
文章来源
类型: 期刊论文
作者: 康鑫,孙晓刚,万磊
关键词: 文本检测,文本识别,深度学习,旋转区域卷积神经网络,注意机制
来源: 计算机应用 2019年S2期
年度: 2019
分类: 信息科技
专业: 计算机软件及计算机应用,自动化技术
单位: 中国科学院成都计算机应用研究所,中国科学院大学
基金: 四川省重点研发计划项目(2018GZ0231)
分类号: TP391.1;TP183
页码: 63-67
总页数: 5
文件大小: 1177K
下载量: 127
相关论文文献
标签：文本检测论文; 文本识别论文; 深度学习论文; 旋转区域卷积神经网络论文; 注意机制论文;