| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题的研究背景与意义 | 第9-10页 |
| 1.3 研究现状 | 第10-12页 |
| 1.3.1 细胞图像分类的研究现状 | 第10-11页 |
| 1.3.2 卷积神经网络的研究现状 | 第11-12页 |
| 1.3.3 卷积神经网络细胞分类的研究现状 | 第12页 |
| 1.4 实验标准数据集与开发框架 | 第12-15页 |
| 1.4.1 宫颈细胞图像集 | 第12-13页 |
| 1.4.2 ICPR2012喉癌细胞数据集 | 第13-14页 |
| 1.4.3 开发框架Tensorflow简介 | 第14-15页 |
| 1.5 研究内容与组织结构 | 第15-17页 |
| 第二章 卷积神经网络理论基础 | 第17-32页 |
| 2.1 引言 | 第17页 |
| 2.2 从感知机推广到卷积神经网络 | 第17-21页 |
| 2.3 卷积神经网络基础 | 第21-26页 |
| 2.3.1 卷积运算 | 第21-22页 |
| 2.3.2 池化 | 第22-23页 |
| 2.3.3 dropout | 第23-25页 |
| 2.3.4 激活函数ReLUs | 第25-26页 |
| 2.3.5 局部响应归一化(LRN) | 第26页 |
| 2.4 卷积神经网络分类方法的优异性 | 第26-28页 |
| 2.5 线性回归与Softmax回归 | 第28-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 针对小数据集单细胞图像数据提升 | 第32-38页 |
| 3.1 引言 | 第32页 |
| 3.2 图像缩放 | 第32-34页 |
| 3.3 数据提升 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 改进的卷积神经网络模型及其在单细胞图像分类中的应用 | 第38-50页 |
| 4.1 引言 | 第38页 |
| 4.2 LeNet-5模型简介 | 第38-40页 |
| 4.3 改进的卷积神经网络模型及其应用 | 第40-44页 |
| 4.4 单细胞图像分类识别仿真测试与分析 | 第44-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 同层多尺度核卷积神经网络模型及其在单细胞图像分类的应用 | 第50-57页 |
| 5.1 引言 | 第50页 |
| 5.2 同层多尺度核卷积神经网络模型 | 第50-51页 |
| 5.3 单细胞图像分类识别仿真测试与分析 | 第51-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文工作总结 | 第57页 |
| 6.2 对未来工作的展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 硕士期间参与的项目及取得的研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |