| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 深度学习在计算机视觉领域研究现状 | 第10-14页 |
| 1.2.1 图像分类 | 第10-11页 |
| 1.2.2 目标检测 | 第11-14页 |
| 1.3 本文主要内容与组织结构 | 第14-16页 |
| 1.3.1 主要内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15-16页 |
| 第二章 深度学习基础 | 第16-28页 |
| 2.1 人工神经网络 | 第16-21页 |
| 2.1.1 神经元到感知器 | 第16-19页 |
| 2.1.2 构建多层感知器 | 第19-20页 |
| 2.1.3 误差反向传播算法 | 第20-21页 |
| 2.2 卷积神经网络组成层 | 第21-25页 |
| 2.2.1 激活函数层 | 第22-23页 |
| 2.2.2 空间卷积层 | 第23-24页 |
| 2.2.3 空间池化层 | 第24-25页 |
| 2.3 卷积神经网络训练 | 第25-28页 |
| 2.3.1 训练流程 | 第25页 |
| 2.3.2 损失函数 | 第25-26页 |
| 2.3.3 优化算法与正则化策略 | 第26-28页 |
| 第三章 改进CNN在典型图像分类中的应用与研究 | 第28-41页 |
| 3.1 针对LeNet-5模型改进 | 第28-31页 |
| 3.1.1 LeNet-5模型 | 第28-30页 |
| 3.1.2 基于LeNet-5模型改进的CNN | 第30-31页 |
| 3.2 MNIST数据集实验研究 | 第31-34页 |
| 3.2.1 MNIST数据集 | 第31-33页 |
| 3.2.2 实验结果对比 | 第33-34页 |
| 3.3 针对AlexNet模型改进 | 第34-37页 |
| 3.3.1 AlexNet模型 | 第34-35页 |
| 3.3.2 基于AlexNet改进的CNN | 第35-37页 |
| 3.4 CIFAR-10数据集实验研究 | 第37-41页 |
| 3.4.1 CIFAR-10数据集 | 第37-39页 |
| 3.4.2 实验结果对比 | 第39-41页 |
| 第四章 基于CNN的结肠镜息肉检测系统研发 | 第41-55页 |
| 4.1 系统研发背景 | 第41-43页 |
| 4.1.1 研发意义 | 第41-42页 |
| 4.1.2 国内外研究现状 | 第42-43页 |
| 4.2 系统总体设计方案 | 第43-50页 |
| 4.2.1 医学图像获取 | 第44页 |
| 4.2.2 息肉标注 | 第44-45页 |
| 4.2.3 基于CNN的息肉检测网络 | 第45-48页 |
| 4.2.4 基于K-means聚类的anchorbox初始参数估计 | 第48-50页 |
| 4.2.5 基于错误样本的准确率提升方法 | 第50页 |
| 4.3 实验结果与分析 | 第50-55页 |
| 4.3.1 实验结果 | 第50-52页 |
| 4.3.2 结果分析 | 第52-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55页 |
| 5.2 未来展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |