| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状和发展趋势 | 第11-13页 |
| 1.2.1 基于传统临床医学的白血细胞分类识别研究 | 第11-12页 |
| 1.2.2 基于普通机器学习的白血细胞分类识别研究 | 第12页 |
| 1.2.3 基于神经网络的白血细胞分类识别研究 | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 相关技术与理论研究 | 第15-26页 |
| 2.1 白血细胞特征及分类算法 | 第15-16页 |
| 2.1.1 白血细胞特征 | 第15页 |
| 2.1.2 分类算法 | 第15-16页 |
| 2.2 神经网络 | 第16-20页 |
| 2.2.1 卷积神经网络 | 第18-19页 |
| 2.2.2 递归神经网络 | 第19-20页 |
| 2.3 迁移学习概述 | 第20-23页 |
| 2.3.1 迁移学习的历史 | 第21-22页 |
| 2.3.2 迁移学习的类别 | 第22-23页 |
| 2.3.3 迁移学习的应用 | 第23页 |
| 2.4 深度学习常用框架 | 第23-25页 |
| 2.4.1 Caffe | 第24页 |
| 2.4.2 Tensorflow | 第24-25页 |
| 2.4.3 Theano | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于卷积神经网络的白血细胞分类识别方法 | 第26-44页 |
| 3.1 基于卷积神经网络技术的处理方法总体流程 | 第27页 |
| 3.2 适用于白血细胞分类识别的卷积神经网络 | 第27-35页 |
| 3.2.1 基于白血细胞分类识别的卷积神经网络结构 | 第28-29页 |
| 3.2.2 卷积层 | 第29-30页 |
| 3.2.3 激活层 | 第30-31页 |
| 3.2.4 池化层 | 第31-32页 |
| 3.2.5 全连接层 | 第32-33页 |
| 3.2.6 残差层 | 第33-34页 |
| 3.2.7 卷积神经网络公式推导 | 第34-35页 |
| 3.3 卷积神经网络的训练 | 第35-37页 |
| 3.3.1 学习率设置 | 第35-36页 |
| 3.3.2 Batch Normalization算法 | 第36-37页 |
| 3.3.3 dropout策略 | 第37页 |
| 3.3.4 打乱输入图像顺序 | 第37页 |
| 3.4 WBCNET实验分析 | 第37-43页 |
| 3.4.1 实验数据的预处理 | 第38-39页 |
| 3.4.2 WBCNet实验结果和分析 | 第39-41页 |
| 3.4.3 不同构造的WBCNet实验结果对比和分析 | 第41-42页 |
| 3.4.4 其他常用神经网络的实验结果对比和分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于迁移学习的白血细胞分类识别方法 | 第44-54页 |
| 4.1 基于迁移学习的处理方法流程 | 第45-46页 |
| 4.2 源分类网络的构建和训练 | 第46-49页 |
| 4.2.1 源任务的网络架构 | 第46-49页 |
| 4.2.2 源任务的卷积神经网络的训练 | 第49页 |
| 4.3 基于迁移学习的目标任务实现 | 第49-51页 |
| 4.4 实验及结果分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结和展望未来 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望未来 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60-61页 |
| 详细摘要 | 第61-63页 |
