| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 课题背景与研究意义 | 第9-13页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 人体关键点检测简介及意义 | 第10-12页 |
| 1.1.3 心脏关键点定位简介及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 深度学习与卷积神经网络发展概述 | 第13-15页 |
| 1.2.2 人体关键点检测发展概述 | 第15-20页 |
| 1.2.3 心脏关键点定位发展概述 | 第20页 |
| 1.3 本文主要内容及安排 | 第20-21页 |
| 1.4 课题来源 | 第21-22页 |
| 第2章 基于特征金字塔网络的改进方法 | 第22-34页 |
| 2.1 人体关键点尺度差异性问题 | 第22页 |
| 2.2 基础模型——堆叠沙漏模型的分析 | 第22-24页 |
| 2.3 特征金字塔网络分析 | 第24-26页 |
| 2.4 特征金字塔沙漏模型的设计 | 第26-28页 |
| 2.4.1 网络结构设计 | 第26-27页 |
| 2.4.2 损失函数 | 第27-28页 |
| 2.5 对比实验 | 第28-33页 |
| 2.5.1 数据集简介 | 第28-29页 |
| 2.5.2 评价指标 | 第29-30页 |
| 2.5.3 实验超参数设置与数据预处理 | 第30-31页 |
| 2.5.4 实验结果 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于注意力模型的改进方法 | 第34-47页 |
| 3.1 人体关键点检测中的冗余信息干扰问题 | 第34-35页 |
| 3.2 基于注意力的模型分析 | 第35-38页 |
| 3.2.1 自然语言处理中的注意力模型 | 第35-37页 |
| 3.2.2 计算机视觉中的注意力模型 | 第37-38页 |
| 3.3 注意力沙漏模型的设计 | 第38-40页 |
| 3.3.1 网络结构总览 | 第38-39页 |
| 3.3.2 前向网络具体设计 | 第39-40页 |
| 3.3.3 损失函数设计 | 第40页 |
| 3.4 特征金字塔沙漏模型与注意力沙漏模型融合方法 | 第40-41页 |
| 3.5 对比实验 | 第41-46页 |
| 3.5.1 多任务学习策略 | 第42页 |
| 3.5.2 实验超参数设置 | 第42-43页 |
| 3.5.3 实验结果 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 融合模型向心脏关键点定位应用的迁移 | 第47-56页 |
| 4.1 心脏关键点定位任务分析 | 第47-49页 |
| 4.1.1 心脏关键点定位简介 | 第47-48页 |
| 4.1.2 心脏关键点定位与人体关键点检测的相似性 | 第48页 |
| 4.1.3 直接应用人体关键点检测模型的问题 | 第48-49页 |
| 4.2 迁移学习可行性分析 | 第49-50页 |
| 4.3 迁移学习具体实现方法 | 第50-53页 |
| 4.3.1 基于模型的迁移学习方法 | 第50-51页 |
| 4.3.2 心脏关键点定位数据集简介 | 第51-52页 |
| 4.3.3 数据预处理及增强方法 | 第52页 |
| 4.3.4 CNN模型迁移的实现 | 第52-53页 |
| 4.5 对比实验 | 第53-54页 |
| 4.5.1 评估方法 | 第53页 |
| 4.5.2 实验结果 | 第53-54页 |
| 4.6 本章总结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第62-64页 |
| 致谢 | 第64页 |