| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 图像识别技术的应用范围日益广泛 | 第10页 |
| 1.1.2 图像识别和物体检测在理论研究中占有重要地位 | 第10-11页 |
| 1.2 图像识别技术概述 | 第11-16页 |
| 1.2.1 图像分类 | 第11-12页 |
| 1.2.2 特征提取 | 第12-13页 |
| 1.2.3 物体检测 | 第13-14页 |
| 1.2.4 图像特征分类 | 第14-16页 |
| 1.3 深度学习的研究现状以及发展趋势 | 第16-18页 |
| 1.3.1 深度学习的产生和发展 | 第16页 |
| 1.3.2 深度学习的研究现状 | 第16-17页 |
| 1.3.3 深度学习的发展趋势 | 第17-18页 |
| 1.4 主要研究工作以及章节安排 | 第18-20页 |
| 1.4.1 主要研究工作 | 第18页 |
| 1.4.2 论文的章节安排 | 第18-20页 |
| 第二章 深度学习相关基础 | 第20-32页 |
| 2.1 深度学习的常用方法 | 第20-22页 |
| 2.1.1 自动编码器 | 第20-21页 |
| 2.1.2 稀疏编码 | 第21页 |
| 2.1.3 限制玻尔兹曼机 | 第21-22页 |
| 2.1.4 深度信念网络 | 第22页 |
| 2.1.5 卷积神经网络 | 第22页 |
| 2.2 人工神经网络 | 第22-25页 |
| 2.2.1 神经元模型 | 第22-23页 |
| 2.2.2 前馈神经网络 | 第23页 |
| 2.2.3 反向传播算法 | 第23-25页 |
| 2.3 卷积神经网络 | 第25-30页 |
| 2.3.1 卷积 | 第25-26页 |
| 2.3.2 卷积层 | 第26-28页 |
| 2.3.3 下采样层 | 第28页 |
| 2.3.4 卷积神经网络的发展与演变 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 改进的ALEXNET图像识别算法 | 第32-50页 |
| 3.1 ALExNET网络 | 第32-35页 |
| 3.1.1 网络结构 | 第32-34页 |
| 3.1.2 网络特性 | 第34-35页 |
| 3.2 改进ALEXNET在癌症检测中的应用 | 第35-41页 |
| 3.2.1 CAMELYON16数据集简介 | 第36页 |
| 3.2.2 网络架构 | 第36-38页 |
| 3.2.3 训练样本采集 | 第38-41页 |
| 3.2.4 难分数据挖掘 | 第41页 |
| 3.2.5 利用训练好的模型检测癌症细胞 | 第41页 |
| 3.3 网络压缩 | 第41-46页 |
| 3.3.1 神经网络的剪枝过程 | 第41-44页 |
| 3.3.2 CAFFE[39]框架中的剪枝实现 | 第44-46页 |
| 3.4 实验结果与分析 | 第46-48页 |
| 3.4.1 BATCH NORMALIZATION的影响 | 第47页 |
| 3.4.2 剪枝比例的影响 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于回归的多尺度融合物体检测方法 | 第50-64页 |
| 4.1 常用物体检测方法 | 第50-53页 |
| 4.1.1 传统物体检测方法 | 第50-51页 |
| 4.1.2 基于REGION PROPOSAI的物体检测 | 第51-52页 |
| 4.1.3 基于回归的物体检测 | 第52-53页 |
| 4.2 SSD物体检测方法 | 第53-55页 |
| 4.2.1 模型描述 | 第53-54页 |
| 4.2.2 PASCALVOC数据集简介 | 第54-55页 |
| 4.3 多尺度融合的SSD方法 | 第55-59页 |
| 4.3.1 反卷积 | 第55-56页 |
| 4.3.2 模型描述 | 第56-57页 |
| 4.3.3 模型训练 | 第57-59页 |
| 4.3.4 优化后网络的搭建 | 第59页 |
| 4.4 实验结果与分析 | 第59-61页 |
| 4.4.1 实验结果 | 第60页 |
| 4.4.2 实验结果分析 | 第60-61页 |
| 4.5 本章小结 | 第61-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64页 |
| 5.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
