| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第16-26页 |
| 1.1 研究背景与研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-23页 |
| 1.3 论文研究内容与结构安排 | 第23-26页 |
| 1.3.1 论文的主要研究内容 | 第23-25页 |
| 1.3.2 论文结构及创新性说明 | 第25-26页 |
| 第2章 图像识别相关技术 | 第26-52页 |
| 2.1 视觉模式识别 | 第27-31页 |
| 2.1.1 特征描述与不变性 | 第27-29页 |
| 2.1.2 模型选择与泛化性能 | 第29-31页 |
| 2.2 卷积神经网络 | 第31-47页 |
| 2.2.1 神经网络简介 | 第32-37页 |
| 2.2.2 卷积神经网络发展 | 第37-41页 |
| 2.2.3 卷积神经网络的计算 | 第41-47页 |
| 2.3 迁移学习与多任务学习 | 第47-52页 |
| 2.3.1 迁移学习 | 第47-48页 |
| 2.3.2 多任务学习 | 第48-52页 |
| 第3章 基于CNN-SVM的微血管分型识别算法研究 | 第52-72页 |
| 3.1 微血管分型识别 | 第52-55页 |
| 3.2 支持向量机 | 第55-58页 |
| 3.3 基于CNN-SVM的微血管分型识别算法 | 第58-64页 |
| 3.3.1 网络设计 | 第59-62页 |
| 3.3.2 特征设计 | 第62-64页 |
| 3.4 实验结果与分析 | 第64-71页 |
| 3.4.1 实验设置 | 第64-65页 |
| 3.4.2 数据集扩增技术比较 | 第65-66页 |
| 3.4.3 迁移学习与设计模型比较 | 第66-68页 |
| 3.4.4 CNN与手工特征比较 | 第68-69页 |
| 3.4.5 softmax和SVM比较 | 第69-70页 |
| 3.4.6 算法识别与临床工作者识别比较 | 第70-71页 |
| 3.5 本章小结 | 第71-72页 |
| 第4章 基于多约束FCN的微血管分型语义分割算法研究 | 第72-90页 |
| 4.1 微血管分型的语义分割 | 第72-74页 |
| 4.2 全卷积神经网络与感受野 | 第74-79页 |
| 4.2.1 感受野 | 第74-76页 |
| 4.2.2 全卷积神经网络 | 第76-79页 |
| 4.3 基于多约束FCN的微血管分型语义分割算法 | 第79-83页 |
| 4.3.1 网络设计 | 第80-81页 |
| 4.3.2 多任务学习框架 | 第81-83页 |
| 4.4 实验结果与分析 | 第83-88页 |
| 4.4.1 实验设置 | 第83-84页 |
| 4.4.2 图像分割边缘对比 | 第84-85页 |
| 4.4.3 像素分类精度对比 | 第85-88页 |
| 4.5 本章小结 | 第88-90页 |
| 第5章 基于联合学习FCN的细胞图像语义分割算法研究 | 第90-108页 |
| 5.1 显微镜细胞图像语义分割 | 第90-91页 |
| 5.2 卷积神经网络优化 | 第91-97页 |
| 5.2.1 梯度下降优化算法 | 第92-95页 |
| 5.2.2 批规范化 | 第95-97页 |
| 5.3 基于联合学习FCN的细胞图像语义分割算法 | 第97-99页 |
| 5.3.1 网络设计 | 第98页 |
| 5.3.2 特征设计 | 第98-99页 |
| 5.4 实验结果与分析 | 第99-107页 |
| 5.4.1 实验设置 | 第99-100页 |
| 5.4.2 模型优化 | 第100-103页 |
| 5.4.3 特征表达优化 | 第103-107页 |
| 5.5 本章小结 | 第107-108页 |
| 第6章 总结与展望 | 第108-110页 |
| 6.1 研究工作总结 | 第108页 |
| 6.2 未来展望 | 第108-110页 |
| 参考文献 | 第110-122页 |
| 致谢 | 第122-124页 |
| 在读期间发表的学术论文与取得的研究成果 | 第124页 |
