| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 糖尿病视网膜病变症状 | 第8-9页 |
| 1.3 研究背景及意义 | 第9-10页 |
| 1.4 研究现状 | 第10-12页 |
| 1.4.1 基于图像分割的方法 | 第11页 |
| 1.4.2 基于深度学习的方法 | 第11-12页 |
| 1.5 本文研究内容和主要贡献 | 第12页 |
| 1.6 论文结构 | 第12-14页 |
| 2 眼底图像样本处理 | 第14-22页 |
| 2.1 引言 | 第14页 |
| 2.2 样本在神经网络学习中的意义 | 第14-15页 |
| 2.3 样本数据增强处理 | 第15-20页 |
| 2.3.1 旋转处理 | 第17页 |
| 2.3.2 平移处理 | 第17-18页 |
| 2.3.3 翻转处理 | 第18页 |
| 2.3.4 缩放处理 | 第18-19页 |
| 2.3.5 错切变换处理 | 第19页 |
| 2.3.6 添加高斯噪声处理 | 第19-20页 |
| 2.4 样本扩充数据增强 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 卷积神经网络 | 第22-31页 |
| 3.1 引言 | 第22页 |
| 3.2 神经元 | 第22-23页 |
| 3.3 神经网络 | 第23-25页 |
| 3.3.1 感知机 | 第23-24页 |
| 3.3.2 多层神经网络 | 第24-25页 |
| 3.4 卷积神经网络 | 第25-30页 |
| 3.4.1 输入层 | 第26页 |
| 3.4.2 卷积层 | 第26-28页 |
| 3.4.3 池化层 | 第28-29页 |
| 3.4.4 Inception模块 | 第29页 |
| 3.4.5 全连接层 | 第29-30页 |
| 3.4.6 输出层 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 基于ResNet的眼底图像分类 | 第31-41页 |
| 4.1 引言 | 第31页 |
| 4.2 传统神经网络缺陷 | 第31-33页 |
| 4.3 基于残差神经网(ResNet)眼底图像分类模型 | 第33-36页 |
| 4.4 基于ResNet的眼底图像分类实验结果 | 第36-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 基于ResNet-LSTM的眼底图像描述 | 第41-51页 |
| 5.1 引言 | 第41页 |
| 5.2 递归神经网络(RNN) | 第41-42页 |
| 5.3 基于图像描述 | 第42页 |
| 5.4 CNN-RNN模型 | 第42-44页 |
| 5.5 ResNet-LSTM模型 | 第44-46页 |
| 5.6 图像标注模型样本集创建 | 第46页 |
| 5.7 实验结果 | 第46-50页 |
| 5.8 本章总结 | 第50-51页 |
| 6 展望总结 | 第51-53页 |
| 6.1 工作总结 | 第51页 |
| 6.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |