深度加权多示例学习在不良图像识别中的研究与应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 缩略词 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究状况 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 本文内容安排 | 第14-16页 |
| 第二章 基于浅层特征的方法 | 第16-28页 |
| 2.1 基于兴趣区域的不良图像识别 | 第16-22页 |
| 2.1.1 皮肤区域的检测 | 第17-20页 |
| 2.1.2 皮肤区域的特征抽取 | 第20-21页 |
| 2.1.3 基于皮肤区域特征的不良图像识别 | 第21-22页 |
| 2.2 基于特征袋模型的不良图像识别 | 第22-27页 |
| 2.2.1 特征袋模型 | 第22-23页 |
| 2.2.2 局部特征抽取 | 第23-24页 |
| 2.2.3 特征编码 | 第24-25页 |
| 2.2.4 基于特征编码的不良图像识别 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于深度卷积神经网络的方法 | 第28-41页 |
| 3.1 神经网络基本理论 | 第28-32页 |
| 3.1.1 全连接神经网络 | 第28-30页 |
| 3.1.2 卷积神经网络 | 第30-32页 |
| 3.2 基于图像分类的不良图像识别 | 第32-37页 |
| 3.2.1 多项逻辑斯特回归 | 第32-33页 |
| 3.2.2 激活函数的选择 | 第33-36页 |
| 3.2.3 神经网络结构 | 第36-37页 |
| 3.3 基于区域的不良图像识别 | 第37-40页 |
| 3.3.1 数据集的正则化 | 第38-39页 |
| 3.3.2 模型的正则化 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于深度加权多示例学习的方法 | 第41-49页 |
| 4.1 深度多示例学习方法 | 第41-44页 |
| 4.1.1 多示例学习概述 | 第41-42页 |
| 4.1.2 深度多示例学习 | 第42-44页 |
| 4.2 深度加权多示例学习方法 | 第44-47页 |
| 4.2.1 包的生成方法 | 第44-46页 |
| 4.2.2 深度加权多示例学习算法 | 第46页 |
| 4.2.3 多尺度的测试 | 第46-47页 |
| 4.3 本章小结 | 第47-49页 |
| 第五章 实验与分析 | 第49-58页 |
| 5.1 数据集 | 第49-50页 |
| 5.2 算法实现 | 第50-51页 |
| 5.3 实验对比 | 第51-55页 |
| 5.3.1 与浅层特征方法的对比 | 第53-54页 |
| 5.3.2 与商业系统对比 | 第54页 |
| 5.3.3 与深度卷积神经网络基准算法的对比 | 第54-55页 |
| 5.4 深度加权多示例学习方法要素 | 第55-56页 |
| 5.5 实验样例展示 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 未来展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-67页 |
| 在学期间的研究成果及发表的学术论文 | 第67页 |
