深度学习理论及离线手写汉字识别应用研究

本书系统地介绍了深 度学习理论及其在手写汉 字识别中的应用。本书首 先简要介绍了手写汉字识 别的背景及其重要性，并 对传统手写汉字识别技术 进行了概述；其次，详细 阐述了深度学习技术和模 型压缩技术在手写汉字识 别中的研究现状，并介绍 了卷积神经网络、 Transformer模型和类脑 脉冲神经网络及其在手写 汉字识别中的应用和优化 。 通过系统的理论介绍 和丰富的实验结果，本书 展示了深度学习模型在于 写汉字识别领域的广泛应 用和显著效果。本书适合 想要了解深度学习和人工 智能，特别是研究使用深 度学习识别手写汉字的研 究生、工程师和研究人员 阅读，还适合人工智能和 深度学习的研究者、计算 机视觉和自然语言处理领 域的专业人员、高等院校 相关专业的研究生和高年 级本科生，以及从事手写 识别和图像处理的技术人 员阅读。

第1章 绪论 第2章 传统的手写汉字识别分类 2.1 数据集评测方法 2.2 传统手写汉字识别系统 2.3 传统图像分类技术 2.4 本章小结 第3章 深度学习模型与手写汉字识别的研究现状 3.1 深度学习技术 3.2 模型压缩技术 3.3 手写汉字识别 3.4 本章小结 第4章 卷积神经网络模型基础理论 4.1 CNN的基本结构 4.2 典型的CNN模型 4.3 本章小结 第5章 基于CNN的手写汉字识别模型 5.1 CNN模型在手写汉字识别中的应用 5.2 基于粒子群优化的CNN模型 5.3 本章小结 第6章 深度卷积神经网络模型压缩研究 6.1 深度卷积神经网络模型压缩的理论基础 6.2 模型压缩方法 6.3 深度卷积神经网络中注意力机制的设计 6.4 基于通道裁剪的深度卷积神经网络模型压缩 6.5 本章小结 第7章 基于知识蒸馏的深度卷积神经网络模型压缩 7.1 概述 7.2 知识蒸馏 7.3 教师模型与学生模型 7.4 实验结果与分析 7.5 本章小结 第8章 Transformer模型基本理论 8.1 Transformer模型基础概述 8.2 Swin Transformer的基本构造与特点 8.3 本章小结 第9章 基于Transformer模型手写汉字识别研究 9.1 Transformer在图像识别中的应用分析 9.2 多尺度并行ViT模型在手写汉字识别中的应用 9.3 模型应用实验结果分析 9.4 本章小结 第10章 并行快速ViT模型研究 10.1 注意力机制概述 10.2 深度学习模型中的注意力机制 10.3 基于并行ViT模型的手写汉字识别优化与分类策略 10.4 实验分析与结果 10.5 本章小结 第11章 轻量化ViT模型研究 11.1 模型压缩理论 11.2 用于手写汉字识别分类的S-Swin Transformer模型 11.3 实验分析与结果