基于迁移学习的糖网病眼底图像自动分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 糖网病的临床背景与研究意义 | 第8-9页 |
| 1.2 糖网病眼底图像自动分类的国内外研究现状 | 第9-12页 |
| 1.3 本文的研究目标与难点 | 第12页 |
| 1.4 本文的研究内容 | 第12-13页 |
| 1.5 本文的章节组织 | 第13-15页 |
| 第2章 基于特征迁移的传统分类算法对比研究 | 第15-36页 |
| 2.1 迁移学习简介 | 第15-16页 |
| 2.1.1 基本概念 | 第15页 |
| 2.1.2 基本方法 | 第15-16页 |
| 2.2 深度特征迁移方法 | 第16-19页 |
| 2.2.1 深度迁移学习 | 第16-17页 |
| 2.2.2 预训练的卷积神经网络 | 第17-19页 |
| 2.2.3 深度迁移学习特征 | 第19页 |
| 2.3 传统分类算法概述 | 第19-25页 |
| 2.3.1 支持向量机 | 第20-21页 |
| 2.3.2 多层感知器 | 第21-22页 |
| 2.3.3 极限学习机 | 第22-23页 |
| 2.3.4 随机森林 | 第23页 |
| 2.3.5 XGBoost | 第23-24页 |
| 2.3.6 线性判别分析 | 第24页 |
| 2.3.7 线性模型GlmNet | 第24-25页 |
| 2.3.8 K-近邻分类器 | 第25页 |
| 2.4 算法评估与分析 | 第25-35页 |
| 2.4.1 评估方法 | 第25-26页 |
| 2.4.2 实验设计 | 第26-28页 |
| 2.4.3 实验及结果分析 | 第28-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于特征迁移的孪生网络分类 | 第36-63页 |
| 3.1 算法实现框架 | 第36-38页 |
| 3.2 孪生网络结构 | 第38-42页 |
| 3.2.1 网络设计 | 第38-41页 |
| 3.2.2 决策方法 | 第41-42页 |
| 3.3 实验及算法评估 | 第42-62页 |
| 3.3.1 实验数据 | 第42-44页 |
| 3.3.2 评估方法 | 第44-45页 |
| 3.3.3 实验设置 | 第45-46页 |
| 3.3.4 实验及结果分析 | 第46-62页 |
| 3.4 本章小结 | 第62-63页 |
| 第4章 总结与展望 | 第63-66页 |
| 4.1 本文总结 | 第63-64页 |
| 4.2 本文的主要贡献 | 第64页 |
| 4.3 本文的不足与展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间的研究成果 | 第72页 |
