| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 选题背景与研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 主要研究工作和内容安排 | 第16-18页 |
| 第二章 深度学习理论基础 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 传统前馈网络 | 第18-23页 |
| 2.2.1 人工神经元模型 | 第18-20页 |
| 2.2.2 前馈神经网络 | 第20-21页 |
| 2.2.3 误差反向传播算法 | 第21-23页 |
| 2.3 卷积神经网络模型 | 第23-25页 |
| 2.4 深度网络优化方法 | 第25-28页 |
| 2.4.1 Dropout | 第25-27页 |
| 2.4.2 BatchNormalization | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于人类视觉系统的眼底图像质量评估 | 第29-40页 |
| 3.1 引言 | 第29-30页 |
| 3.2 方法框架 | 第30-36页 |
| 3.2.1 感兴趣区域提取 | 第31页 |
| 3.2.2 显著图特征 | 第31-33页 |
| 3.2.3 微调深度网络 | 第33-34页 |
| 3.2.4 CNN网络结构和实现 | 第34-35页 |
| 3.2.5 SVM分类 | 第35-36页 |
| 3.3 实验设计与结果分析 | 第36-39页 |
| 3.3.1 实验数据集 | 第36页 |
| 3.3.2 评价指标 | 第36-37页 |
| 3.3.3 实验结果与分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于深度学习的糖尿病视网膜病变分类 | 第40-57页 |
| 4.1 引言 | 第40页 |
| 4.2 方法框架 | 第40-46页 |
| 4.2.1 数据预处理 | 第41-42页 |
| 4.2.2 基于Inception结构和残差结构的主网络 | 第42-44页 |
| 4.2.3 基于全卷积网络的注意力网络结构 | 第44-45页 |
| 4.2.4 损失函数 | 第45-46页 |
| 4.3 实验设计与结果分析 | 第46-56页 |
| 4.3.1 数据集 | 第46-47页 |
| 4.3.2 参数设置 | 第47页 |
| 4.3.3 评价指标 | 第47-48页 |
| 4.3.4 实验结果与分析 | 第48-56页 |
| 4.3.4.1 EyePACS数据集实验结果与分析 | 第48-52页 |
| 4.3.4.2 Messidor数据集实验结果与分析 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57-58页 |
| 5.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-66页 |
| 在学期间的研究成果及发表的学术论文 | 第66页 |
