| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-12页 |
| 1.3 新生儿疼痛表情识别基本流程 | 第12-13页 |
| 1.4 研究内容与章节安排 | 第13-15页 |
| 1.4.1 研究内容 | 第13页 |
| 1.4.2 章节安排 | 第13-15页 |
| 第二章 深度学习相关理论 | 第15-24页 |
| 2.1 深度学习概述 | 第15-16页 |
| 2.2 多层前馈网络 | 第16-20页 |
| 2.2.1 感知器单元 | 第16-17页 |
| 2.2.2 多层前馈网络 | 第17-18页 |
| 2.2.3 反向传播算法 | 第18-20页 |
| 2.3 卷积神经网络 | 第20-23页 |
| 2.3.1 网络的基本结构 | 第20-21页 |
| 2.3.2 卷积层 | 第21页 |
| 2.3.3 池化层 | 第21-22页 |
| 2.3.4 全连接层 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 新生儿疼痛表情图像数据库的建立 | 第24-30页 |
| 3.1 国内外现有新生儿疼痛表情数据库 | 第24-25页 |
| 3.2 数据库建库流程 | 第25-26页 |
| 3.3 数据库的建立 | 第26-29页 |
| 3.3.1 视频采集及关键帧提取 | 第26-27页 |
| 3.3.2 疼痛评估 | 第27-28页 |
| 3.3.3 图像的规范化 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 新生儿面部检测算法 | 第30-47页 |
| 4.1 人脸检测方法概述 | 第30-32页 |
| 4.2 基于Adaboost算法的新生儿面部检测 | 第32-38页 |
| 4.2.1 Haar特征与积分图 | 第33-35页 |
| 4.2.2 弱分类器和强分类器 | 第35-37页 |
| 4.2.3 级联分类器 | 第37-38页 |
| 4.3 基于Muti-task CNN算法的新生儿面部检测 | 第38-42页 |
| 4.3.1 MTCNN的网络结构 | 第38-40页 |
| 4.3.2 多任务协同计算 | 第40-42页 |
| 4.4 实验结果对比分析 | 第42-46页 |
| 4.4.1 实验软硬件平台的搭建 | 第42页 |
| 4.4.2 实验设计及分析 | 第42-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于深度学习的新生儿疼痛表情识别 | 第47-57页 |
| 5.1 基于CaffeNet网络的新生儿疼痛表情识别 | 第47-49页 |
| 5.1.1 网络模型的结构 | 第47-49页 |
| 5.1.2 模型参数配置 | 第49页 |
| 5.2 基于Xception网络的新生儿疼痛表情识别 | 第49-52页 |
| 5.2.1 深度可分卷积模块 | 第50-51页 |
| 5.2.2 Xception网络模型的结构 | 第51-52页 |
| 5.3 新生儿疼痛表情识别系统框架 | 第52-53页 |
| 5.4 实验结果对比分析 | 第53-56页 |
| 5.4.1 实验平台及数据集 | 第53页 |
| 5.4.2 实验结果分析 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 附录1 攻读硕士学位期间申请的专利 | 第60-61页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
