| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 白细胞分割方法 | 第11-14页 |
| 1.2.2 白细胞特征提取及识别技术 | 第14-16页 |
| 1.3 本文研究内容与章节安排 | 第16-18页 |
| 第二章 深度学习原理的介绍 | 第18-31页 |
| 2.1 人工神经网络 | 第18-21页 |
| 2.2 深度学习 | 第21-23页 |
| 2.2.1 深度学习的基本概念 | 第21-22页 |
| 2.2.2 深度学习的训练过程 | 第22-23页 |
| 2.3 深度学习的常用模型 | 第23-29页 |
| 2.3.1 循环神经网络 | 第23-24页 |
| 2.3.2 卷积神经网络 | 第24-26页 |
| 2.3.3 自动编码器 | 第26-27页 |
| 2.3.4 受限玻尔兹曼机 | 第27-29页 |
| 2.4 几种主流深度学习框架介绍 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于方向梯度直方图和支持向量机的白细胞识别 | 第31-47页 |
| 3.1 白细胞的定位及提取 | 第31-34页 |
| 3.2 HOG特征提取 | 第34-38页 |
| 3.3 灰度共生矩阵特征 | 第38页 |
| 3.4 支持向量机理论 | 第38-42页 |
| 3.4.1 经验风险最小化与结构风险最小化 | 第39-40页 |
| 3.4.2 线性分类器 | 第40-41页 |
| 3.4.3 核函数 | 第41-42页 |
| 3.5 白细胞分类与识别实验结果 | 第42-46页 |
| 3.5.1 软件平台介绍 | 第42页 |
| 3.5.2 实验具体过程 | 第42-43页 |
| 3.5.3 实验分析 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于深度学习的白细胞分类识别 | 第47-54页 |
| 4.1 AlexNet网络结构 | 第48-49页 |
| 4.2 采用AlexNet网络结构进行白细胞五分类 | 第49-51页 |
| 4.2.1 微调(Fine turning)AlexNet网络 | 第49-50页 |
| 4.2.2 网络训练 | 第50-51页 |
| 4.3 实验结果与分析 | 第51-52页 |
| 4.4 与传统识别方法的对比 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 结论与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士期间发表论文和参加科研情况 | 第60-61页 |
| 致谢 | 第61-62页 |
