| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第二章 图像分类方法简介 | 第18-26页 |
| 2.1 图像数据集 | 第18-20页 |
| 2.1.1 Pascal VOC | 第18-20页 |
| 2.1.2 ImageNet | 第20页 |
| 2.2 图像识别 | 第20-23页 |
| 2.2.1 词袋模型(Bag of Words,Bow) | 第21-22页 |
| 2.2.2 深度神经网络模型 | 第22-23页 |
| 2.3 视频分析与理解 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 卷积神经网络与迁移学习 | 第26-33页 |
| 3.1 卷积神经网络(CNN) | 第26-30页 |
| 3.1.1 卷积层 | 第26-27页 |
| 3.1.2 池化层 | 第27-28页 |
| 3.1.3 全连接层 | 第28页 |
| 3.1.4 激励函数 | 第28页 |
| 3.1.5 过拟合问题 | 第28-29页 |
| 3.1.6 Alex CNN Model | 第29页 |
| 3.1.7 CNN限制 | 第29-30页 |
| 3.2 迁移学习 | 第30-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 CNN与迁移学习在手术图像内容识别上的应用 | 第33-43页 |
| 4.1 医疗设备数据集 | 第33-35页 |
| 4.2 核心思想 | 第35-37页 |
| 4.3 源领域与目标领域类别重映射和微调 | 第37-38页 |
| 4.4 微调卷积神经网络模型参数 | 第38-40页 |
| 4.5 实验 | 第40-41页 |
| 4.6 测试 | 第41-42页 |
| 4.7 本章小结 | 第42-43页 |
| 第五章 实验结果及分析 | 第43-45页 |
| 第六章 结论 | 第45-47页 |
| 6.1 本文工作总结 | 第45页 |
| 6.2 未来工作展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间参与的科研项目 | 第53-54页 |
| 学位论文评阅及答辩情况表 | 第54页 |