基于卷积神经网络文字语种识别算法.zip

# script_identification 基于卷积神经网络文字语种识别算法 the method based on CNN for script identification 这是本科毕业设计的课题，主要使用基于迁移学习卷积神经网络实现对文字语种图像分类。 ## 数据集 数据集采用SIW-13，共有13个语种（英文、中文、日文、希腊文、俄文、泰文、阿拉伯文、柬埔寨文、希伯来文、卡纳达文、韩文、蒙古文、藏文）。 ## 实验平台 - Python3.6 - Pytorch < 0.4 (Pytorch 0.4做了一些较大的修改，如若想查看本代码效果，建议使用低于0.4版本的Pytorch) ## 文件结构 ​  ```shell C:. │ README.md │ ├─code │ │ main.py：主文件，读取参数和模型，调用run_model.py │ │ configuration.py：设置各种参数 │ │ run_model.py：运行模型 │ │ choose_model.py：根据参数选择模型 │ │ get_LSTM.py：单纯使用LSTM，在该数据集下表现不佳 │ │ get_vggLSTM.py：vgg提取特征，LSTM训练分类器 │ │ get_resnet_models.py │ │ get_vgg_models.py │ │ SPP_Layer.py：单独写的spp层 │ │ │ ├─logs：保存输出的可视化数据。（需要安装tensorboardX库和TensorFlow） │ └─runs：存储输出的日志，日志信息包括参数配置，模型结构，每次迭代的训练集和测试集的准确度 └─data └─models ``` - **data**文件夹中还有一个models文件夹，用于保存训练得到的模型，以及像vgg16这样的预训练模型参数。 - **get_vgg_models.py**中共有4中vgg派生模型： - **VggBaseModel**：vgg的原模型 - **VggSPPModel**：vgg第一个全连接层之前加上spp层，这样可以固定全连接层输入节点数，所以可以接收任意大小的输入图像 - **VggSkipModel**：将多个卷积层后的特征连接才一起 - **VggSkipSPPModel**：将每个卷积层后的特征使用SPP层转换成一维特征向量后，将多个特征拼接在一起。 - **get_resnet_models.py**：同上。但是因为效果不及vgg，所以有的模型没有实现。 ## 注意事项 - 优化器建议使用**SGD**，在实验中，Adam和RMSprop效果并没有好很多，而且这两个优化器比较吃显存，是很吃显存！！！ 有什么疑问可以email：[email protected]