| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究的背景和意义 | 第11-16页 |
| 1.1.1 研究背景 | 第11-14页 |
| 1.1.2 研究意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 深度学习的研究现状 | 第16-17页 |
| 1.2.2 眼底疾病图像识别的研究现状 | 第17-18页 |
| 1.3 研究目标与研究内容 | 第18-19页 |
| 1.4 论文结构 | 第19-21页 |
| 第二章 图像处理的相关理论与技术 | 第21-34页 |
| 2.1 深度学习概述 | 第21-25页 |
| 2.2 深度学习常用的框架模型 | 第25-29页 |
| 2.2.1 自动编码器(AutoEncoder) | 第25-26页 |
| 2.2.2 稀疏编码(SparseCoding) | 第26-27页 |
| 2.2.3 限制波尔兹曼机(RestrictedBoltzmannMachine) | 第27-28页 |
| 2.2.4 深信度网络(DeepBeliefNetworks) | 第28页 |
| 2.2.5 卷积神经网络(ConvolutionalNeuralNetworks) | 第28-29页 |
| 2.3 卷积神经网络 | 第29-33页 |
| 2.3.1 卷积神经网络的架构 | 第29-31页 |
| 2.3.2 卷积神经网络的运算 | 第31页 |
| 2.3.3 下采样 | 第31-32页 |
| 2.3.4 卷积神经网络的优点 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于改进的AIFT方法的眼底视网膜图像预处理 | 第34-51页 |
| 3.1 引言 | 第34页 |
| 3.2 图像的感兴趣区域分割 | 第34-38页 |
| 3.2.1 中央区域的感兴趣区域分割 | 第34-36页 |
| 3.2.2 图像数据的统一化 | 第36-38页 |
| 3.3 一种改进的AIFT方法 | 第38-47页 |
| 3.3.1 过拟合问题的解决方法 | 第38-39页 |
| 3.3.2 AIFT方法 | 第39-43页 |
| 3.3.3 对AIFT方法的分析 | 第43-44页 |
| 3.3.4 对AIFT方法的改进 | 第44-47页 |
| 3.4 实验分析 | 第47-50页 |
| 3.4.1 实验模型设计 | 第47-49页 |
| 3.4.2 模型运行结果分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于改进的胶囊网络的眼底图像分类算法 | 第51-66页 |
| 4.1 引言 | 第51页 |
| 4.2 典型卷积神经网络模型的缺点 | 第51-53页 |
| 4.3 胶囊神经网络 | 第53-56页 |
| 4.3.1 胶囊层(capsulelayer) | 第53-54页 |
| 4.3.2 损失函数 | 第54-55页 |
| 4.3.3 胶囊神经网络(CapsNet)模型结构 | 第55页 |
| 4.3.4 重构与表征 | 第55-56页 |
| 4.4 几种不同的squashing激活函数 | 第56-58页 |
| 4.5 不同squashing激活函数的实验分析 | 第58-63页 |
| 4.6 基于改进的胶囊神经网络的眼底图像分类模型的设计与实现 | 第63-65页 |
| 4.6.1 模型设计 | 第63-64页 |
| 4.6.2 模型运行结果分析 | 第64-65页 |
| 4.7 本章小结 | 第65-66页 |
| 第五章 眼底图像语义标注模型的设计与实现 | 第66-74页 |
| 5.1 引言 | 第66页 |
| 5.2 CapsDarknet-RNN模型的设计与实现 | 第66-70页 |
| 5.2.1 胶囊神经网络模型的设计 | 第66-67页 |
| 5.2.2 CapsDarknet-RNN | 第67-70页 |
| 5.3 实验分析 | 第70-73页 |
| 5.3.1 实验模型设计 | 第70-72页 |
| 5.3.2 模型运行结果分析 | 第72-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的成果 | 第83页 |
