| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 论文研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 黑色素瘤分类识别研究现状 | 第12-13页 |
| 1.2.2 深度学习在图像分类领域的研究现状 | 第13-15页 |
| 1.3 论文的研究内容和创新 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 深度卷积神经网络的算法 | 第18-29页 |
| 2.1 深度学习模型 | 第18-22页 |
| 2.1.1 人脑视觉机理 | 第18-19页 |
| 2.1.2 神经网络模型 | 第19-20页 |
| 2.1.3 BP神经网络构成 | 第20-21页 |
| 2.1.4 反向传播 | 第21-22页 |
| 2.2 卷积神经网络 | 第22-27页 |
| 2.2.1 卷积神经网络发展 | 第23页 |
| 2.2.2 网络结构 | 第23-24页 |
| 2.2.4 权值共享与多核卷积 | 第24-26页 |
| 2.2.5 Down-pooling | 第26-27页 |
| 2.2.6 多卷积层 | 第27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 皮肤病数据不均衡问题研究 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 数据不均衡处理以及数据增强 | 第29-34页 |
| 3.2.1 数据不均衡概述 | 第29-30页 |
| 3.2.2 数据不均衡常用方法 | 第30-31页 |
| 3.2.3 数据增强 | 第31-34页 |
| 3.3 基于 Focal loss 损失函数解决数据不均衡问题 | 第34-41页 |
| 3.3.1 深度卷积神经网络结构 | 第34-35页 |
| 3.3.2 Focal loss 损失函数 | 第35-38页 |
| 3.3.3 训练阶段 | 第38-40页 |
| 3.3.4 测试阶段 | 第40-41页 |
| 3.4 Focal loss 损失函数中算法参数选取 | 第41页 |
| 3.4.1 α和γ的选取 | 第41页 |
| 3.4.2 网络结构的选取 | 第41页 |
| 3.5 实验结果和分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于集成学习和CNN的黑色素瘤分类 | 第43-52页 |
| 4.1 引言 | 第43-44页 |
| 4.2 集成学习策略 | 第44-47页 |
| 4.2.1 集成学习算法综述 | 第44-46页 |
| 4.2.2 集成学习中的集成策略 | 第46-47页 |
| 4.3 黑色素瘤分类的实验过程 | 第47-49页 |
| 4.3.1 数据预处理 | 第47-48页 |
| 4.3.2 训练阶段 | 第48-49页 |
| 4.3.3 测试阶段 | 第49页 |
| 4.4 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结和展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间参加的科研项目和成果 | 第59页 |