基于三维卷积神经网络的新生儿疼痛表情识别
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题的背景及意义 | 第10-11页 |
| 1.2 新生儿疼痛表情识别国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容及章节安排 | 第13-14页 |
| 1.3.1 主要内容 | 第13页 |
| 1.3.2 章节安排 | 第13-14页 |
| 第二章 新生儿面部表情视频库的建立 | 第14-19页 |
| 2.1 新生儿面部表情视频的采集 | 第14-15页 |
| 2.2 新生儿面部表情视频库的预处理 | 第15-18页 |
| 2.2.1 视频剪辑 | 第15-16页 |
| 2.2.2 归一化 | 第16-17页 |
| 2.2.3 数据集扩增 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 深度学习相关知识 | 第19-35页 |
| 3.1 深度学习概述 | 第19-24页 |
| 3.1.1 深度学习的发展历程 | 第19-21页 |
| 3.1.2 深度学习的基本原理 | 第21-22页 |
| 3.1.3 深度学习的常用框架 | 第22-24页 |
| 3.2 卷积神经网络 | 第24-31页 |
| 3.2.1 卷积神经网络的结构 | 第25-26页 |
| 3.2.2 卷积神经网络的特性 | 第26-28页 |
| 3.2.3 卷积神经网络的训练 | 第28-31页 |
| 3.3 深度残差网络 | 第31-34页 |
| 3.3.1 深度残差网络简介 | 第31页 |
| 3.3.2 残差学习和恒等映射 | 第31-32页 |
| 3.3.3 深度残差网络的结构 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于三维卷积神经网络的新生儿疼痛表情识别 | 第35-46页 |
| 4.1 基于C3D的新生儿疼痛表情识别 | 第35-40页 |
| 4.1.1 三维卷积 | 第35-36页 |
| 4.1.2 三维池化 | 第36-37页 |
| 4.1.3 Softmax回归 | 第37页 |
| 4.1.4 ReLu激活函数 | 第37-38页 |
| 4.1.5 Dropout技术 | 第38页 |
| 4.1.6 C3D网络结构图 | 第38-40页 |
| 4.2 基于R3D的新生儿疼痛表情识别 | 第40-43页 |
| 4.2.1 批量归一化 | 第40-41页 |
| 4.2.2 全局均值池化 | 第41-42页 |
| 4.2.3 R3D网络结构图 | 第42-43页 |
| 4.3 基于P3D的新生儿疼痛表情识别 | 第43-45页 |
| 4.3.1 3D卷积分解 | 第43-44页 |
| 4.3.2 P3D网络结构图 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 实验结果展示与分析 | 第46-54页 |
| 5.1 实验软硬平台的搭建 | 第46-47页 |
| 5.2 实验参数设置 | 第47-48页 |
| 5.2.1 实验数据集 | 第47页 |
| 5.2.2 网络参数设置 | 第47-48页 |
| 5.3 实验结果与分析 | 第48-52页 |
| 5.2.1 采取模型微调策略的实验结果 | 第49-50页 |
| 5.2.2 采取数据扩增策略的实验结果 | 第50-51页 |
| 5.2.3 3DCNN的对比分析 | 第51-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间申请的专利 | 第59-60页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 致谢 | 第61页 |
