深度学习中的去冗余与特征映射方法研究
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 深度学习相关方法研究现状 | 第13-14页 |
| 1.2.2 与受限玻尔兹曼机相关的研究与应用 | 第14页 |
| 1.2.3 与医学图像识别相关的研究与应用 | 第14-16页 |
| 1.3 论文的主要研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 深度学习相关的模型理论 | 第18-25页 |
| 2.1 感知器与多层神经网络 | 第18-19页 |
| 2.2 受限玻尔兹曼机模型 | 第19-21页 |
| 2.3 深度信念网络模型 | 第21-22页 |
| 2.4 卷积神经网络模型 | 第22-25页 |
| 3 一种去冗余的受限玻尔兹曼机 | 第25-36页 |
| 3.1 RBM的训练算法 | 第25-26页 |
| 3.2 RBM中的冗余隐单元研究 | 第26-28页 |
| 3.3 去冗余的受限玻尔兹曼机 | 第28-30页 |
| 3.4 实验结果分析 | 第30-34页 |
| 3.4.1 冗余隐单元分析 | 第30-31页 |
| 3.4.2 早期去冗余方法 | 第31-33页 |
| 3.4.3 训练速度和重构误差分析 | 第33-34页 |
| 3.5 小结 | 第34-36页 |
| 4 基于聚类卷积的多尺度特征映射方法 | 第36-46页 |
| 4.1 聚类卷积模型 | 第36-37页 |
| 4.2 补丁块的抽象特征聚类及重构 | 第37页 |
| 4.3 改进的基于聚类卷积的多尺度特征映射方法 | 第37-40页 |
| 4.4 实验分析 | 第40-42页 |
| 4.5 构造肺部X光图像的聚类卷积模型 | 第42-45页 |
| 4.6 小结 | 第45-46页 |
| 5 结果与讨论 | 第46-48页 |
| 5.1 主要研究结论 | 第46-47页 |
| 5.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-55页 |
| 攻读硕士学位期间取得的研究成果和参与的科研项目 | 第55-56页 |
| 致谢 | 第56页 |
