| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 论文的主要内容及章节安排 | 第14-15页 |
| 第二章 卷积神经网络 | 第15-24页 |
| 2.1 前馈网络 | 第15-20页 |
| 2.1.1 卷积层(C) | 第16-17页 |
| 2.1.2 池化层(S) | 第17-18页 |
| 2.1.3 全连接层 | 第18页 |
| 2.1.4 输出层 | 第18-20页 |
| 2.2 反向传播算法 | 第20-21页 |
| 2.3 权值共享 | 第21-23页 |
| 2.4 卷积神经网络的优点 | 第23-24页 |
| 第三章 基于CNN初始化的乳腺病理图像细胞检测和分割 | 第24-43页 |
| 3.1 研究动机 | 第24页 |
| 3.2 基于CNN模型的病理图像细胞检测 | 第24-29页 |
| 3.3 基于CNN初始化的局部区域活动边界模型细胞分割 | 第29-31页 |
| 3.4 实验数据 | 第31-32页 |
| 3.5 实验设计 | 第32-35页 |
| 3.5.1 比较策略 | 第32-33页 |
| 3.5.2 性能评估 | 第33-35页 |
| 3.6 实验结果 | 第35-38页 |
| 3.7 本章小结 | 第38-43页 |
| 第四章 基于多级金字塔卷积神经网络(MLPCNN)的快速特征表示方法 | 第43-51页 |
| 4.1 研究动机 | 第43页 |
| 4.2 多级金字塔卷积神经网络(MLPCNN) | 第43-47页 |
| 4.2.1 稀疏自编码SAE | 第43-44页 |
| 4.2.2 金字塔卷积神经网络PCNN | 第44-46页 |
| 4.2.3 多级金字塔卷积神经网络MLPCNN | 第46-47页 |
| 4.3 实验设计 | 第47-50页 |
| 4.3.1 不同方法在特征提取的有效性方面的比较 | 第48-49页 |
| 4.3.2 训练速度比较 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 本文的工作内容及创新之处 | 第51页 |
| 5.2 今后工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士期间完成的科研情况 | 第60页 |
