| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容及论文结构 | 第12-14页 |
| 第二章 图像分类标注问题介绍 | 第14-26页 |
| 2.1 概述 | 第14-15页 |
| 2.2 随机森林法 | 第15-17页 |
| 2.3 隐马尔可夫模型 | 第17-19页 |
| 2.3.1 隐马尔可夫模型的定义 | 第17-18页 |
| 2.3.2 观测序列的生成过程 | 第18-19页 |
| 2.3.3 隐马尔可夫模型的三个基本问题 | 第19页 |
| 2.4 条件随机场 | 第19-23页 |
| 2.4.1 概率无向图模型 | 第19-22页 |
| 2.4.2 条件随机场的定义与形式 | 第22-23页 |
| 2.4.3 马尔科夫条件随机场与条件随机场之间的区别 | 第23页 |
| 2.5 本章小结 | 第23-26页 |
| 第三章 基于深度学习卷积神经网络的脑肿瘤图像分类标注 | 第26-52页 |
| 3.1 卷积计算 | 第26-27页 |
| 3.2 卷积神经网络概述 | 第27-28页 |
| 3.3 卷积神经网络(ConvNet)层的介绍 | 第28-35页 |
| 3.3.1 卷积层(Conv Layer) | 第29-33页 |
| 3.3.2 池化层(Pooling Layer) | 第33-34页 |
| 3.3.3 规范化层 | 第34页 |
| 3.3.4 完全连接层 | 第34-35页 |
| 3.4 Dropout | 第35-37页 |
| 3.5 卷积神经网络应用于脑肿瘤图像分类标注概述 | 第37-38页 |
| 3.6 构架 | 第38-41页 |
| 3.6.1 两路结构 | 第38-39页 |
| 3.6.2 输入串联架构 | 第39-41页 |
| 3.7 输入串联结构存的改进 | 第41-44页 |
| 3.7.1 多池化操作 | 第41-42页 |
| 3.7.2 多池化操作方法 | 第42-44页 |
| 3.8 训练 | 第44-46页 |
| 3.9 实验结果及分析 | 第46-51页 |
| 3.10 本章小结 | 第51-52页 |
| 第四章 脑肿瘤图像分类标注训练过程参数优化的改进 | 第52-68页 |
| 4.1 三种梯度下降法的结构 | 第52-55页 |
| 4.2 梯度下降优化算法 | 第55-61页 |
| 4.2.1 动量(Momentum) | 第55-57页 |
| 4.2.2 Nesterov加速梯度 | 第57-58页 |
| 4.2.3 Adagrad | 第58-59页 |
| 4.2.4 Adadelta | 第59-60页 |
| 4.2.5 RMSprop | 第60页 |
| 4.2.6 Adam | 第60-61页 |
| 4.3 改进型Adam | 第61-65页 |
| 4.3.1 概述 | 第61-62页 |
| 4.3.2 改进的原因 | 第62页 |
| 4.3.3 具体方法 | 第62-65页 |
| 4.4 实验结果分析 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表的论文及成果 | 第78页 |