| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景及研究意义 | 第10-12页 |
| 1.1.1 课题的研究背景 | 第10-12页 |
| 1.1.2 课题的研究意义 | 第12页 |
| 1.2 国内外的研究现状与分析 | 第12-15页 |
| 1.2.1 传统机器学习皮肤镜图像分类的现状与分析 | 第13-15页 |
| 1.2.2 深度学习皮肤镜图像分类的现状与分析 | 第15页 |
| 1.3 论文的研究目标和研究内容 | 第15-17页 |
| 1.3.1 研究目标 | 第15-16页 |
| 1.3.2 研究内容 | 第16-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 第二章 深度学习基础及实验框架介绍 | 第18-26页 |
| 2.1 深度学习相关基础介绍 | 第18-24页 |
| 2.1.1 神经元模型介绍 | 第18页 |
| 2.1.2 卷积神经网络层结构介绍 | 第18-21页 |
| 2.1.3 常用激活函数介绍 | 第21-24页 |
| 2.2 TENSORFLOW实验框架介绍 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 改进卷积神经网络的皮损分类系统 | 第26-46页 |
| 3.1 卷积神经网络皮损分类的图像预处理 | 第26-32页 |
| 3.1.1 MaskRCNN方法的皮损区域分割 | 第26-30页 |
| 3.1.2 卷积神经网络的输入预处理 | 第30-32页 |
| 3.2 卷积神经网络皮损分类模型的选择和调整 | 第32-39页 |
| 3.2.1 皮损分类模型的输出与优化方法 | 第33-35页 |
| 3.2.2 卷积神经网络皮损分类的传统模型选择 | 第35-37页 |
| 3.2.3 卷积神经网络皮损分类的传统模型调整 | 第37-39页 |
| 3.3 对卷积神经网络皮损分类模型的改进 | 第39-45页 |
| 3.3.1 MMD距离的应用场景 | 第40-41页 |
| 3.3.2 空间映射及核函数介绍 | 第41-42页 |
| 3.3.3 MMD算法公式推导 | 第42-43页 |
| 3.3.4 基于MMD算法的皮损分类模型 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于GAN的半监督学习皮肤镜图像分类 | 第46-64页 |
| 4.1 对GAN模型发展现状的研究 | 第46-51页 |
| 4.1.1 GAN模型原理介绍 | 第46-48页 |
| 4.1.2 GAN网络的演变 | 第48-51页 |
| 4.2 GAN实验模型介绍 | 第51-54页 |
| 4.2.1 GAN实验模型的结构介绍 | 第51-53页 |
| 4.2.2 GAN实验模型的损失函数介绍 | 第53-54页 |
| 4.3 结合多种聚类模型的GAN直推式半监督学习算法 | 第54-60页 |
| 4.3.1 基于社区发现的LPA算法 | 第55-57页 |
| 4.3.2 k-means聚类方法 | 第57-58页 |
| 4.3.3 聚类算法的相似性度量 | 第58-59页 |
| 4.3.4 聚类结果的融合 | 第59-60页 |
| 4.4 基于GAN多任务模型的半监督学习算法 | 第60-63页 |
| 4.4.1 多任务GAN模型的分类器结构 | 第60-61页 |
| 4.4.2 多任务GAN模型的损失函数 | 第61-62页 |
| 4.4.3 多任务GAN模型的算法流程 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 实验结果与分析 | 第64-76页 |
| 5.1 网络模型结果的评价标准 | 第64-67页 |
| 5.1.1 分类准确率 | 第64-65页 |
| 5.1.2 敏感性和特异性相关介绍 | 第65-66页 |
| 5.1.3 GAN模型评价标准InceptionScore | 第66-67页 |
| 5.2 数据集介绍 | 第67-68页 |
| 5.3 基于改进卷积神经网络的皮损分类结果与分析 | 第68-72页 |
| 5.4 GAN半监督方法的分类结果与分析 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 论文工作总结 | 第76-77页 |
| 6.2 未来研究的展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
