首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度学习的脑颅CT图分类研究

摘要第5-6页
abstract第6-7页
第1章 绪论第10-18页
    1.1 研究背景及意义第10-11页
    1.2 国内外研究现状及存在的问题第11-15页
        1.2.1 医学图像分类研究现状第11-12页
        1.2.2 深度学习研究现状第12-13页
        1.2.3 卷积神经网络研究现状第13-14页
        1.2.4 存在的问题第14-15页
    1.3 论文研究内容及组织结构第15-18页
        1.3.1 论文研究内容第15-16页
        1.3.2 论文组织结构第16-18页
第2章 相关技术理论介绍第18-28页
    2.1 深度学习第18-20页
        2.1.1 人工神经网络第18-19页
        2.1.2 深度学习基本思想第19页
        2.1.3 深度学习相关模型第19-20页
    2.2 卷积神经网络第20-25页
        2.2.1 概述第20页
        2.2.2 权值共享第20-21页
        2.2.3 卷积与池化第21-23页
        2.2.4 激活函数第23-25页
        2.2.5 过拟合第25页
    2.3 反向传播算法第25-26页
    2.4 迁移学习第26-27页
    2.5 本章小结第27-28页
第3章 卷积神经网络的结构分析第28-40页
    3.1 模型架构CAFFE简介第28-30页
        3.1.1 Caffe的优点第28页
        3.1.2 Caffe的数据结构第28-29页
        3.1.3 Caffe的模型和参数第29-30页
    3.2 ALEXNET结构分析第30-31页
    3.3 卷积神经网络的结构对比分析第31-38页
        3.3.1 实验相关数据集介绍第31-32页
        3.3.2 卷积相关分析第32-34页
        3.3.3 池化相关分析第34-35页
        3.3.4 激活函数相关分析第35-36页
        3.3.5 网络层数相关分析第36-37页
        3.3.6 Dropout层相关分析第37-38页
    3.4 本章小结第38-40页
第4章 卷积神经网络在脑颅CT图像分类中的应用第40-56页
    4.1 实验数据的采集与预处理第40-43页
        4.1.1 实验数据采集第40-41页
        4.1.2 实验数据预处理第41-43页
    4.2 实验评价方法第43-44页
    4.3 模型设计与搭建第44-47页
    4.4 实验设计与结果分析第47-54页
        4.4.1 实验环境第48页
        4.4.2 模型的训练与测试方法第48-50页
        4.4.3 模型在脑颅CT图像分类中的性能分析第50-52页
        4.4.4 误差分析第52-54页
    4.5 本章小结第54-56页
结论第56-58页
参考文献第58-64页
攻读硕士学位期间发表的论文和取得的科研成果第64-66页
致谢第66页

论文共66页,点击 下载论文
上一篇:政府监管视角下电子商务信用体系建设研究
下一篇:水下机器人激光成像降噪方法研究