| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略表（中英文对照） | 第8-12页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究进展和发展趋势 | 第14-19页 |
| 1.2.1 红细胞检测和计数研究现状 | 第14-17页 |
| 1.2.2 卷积神经网络在图像目标检测中的应用 | 第17-19页 |
| 1.3 本文研究内容和论文框架 | 第19-21页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 论文框架 | 第20-21页 |
| 第二章 卷积神经网络概述 | 第21-33页 |
| 2.1 背景介绍 | 第21-23页 |
| 2.2 多层感知器 | 第23-25页 |
| 2.3 卷积神经网络结构及特点 | 第25-31页 |
| 2.3.1 网络结构 | 第25-29页 |
| 2.3.2 主要特点 | 第29-31页 |
| 2.4 本文所使用的网络结构 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 反卷积回归网络细胞计数方法 | 第33-51页 |
| 3.1 神经网络的反卷积模型 | 第33-35页 |
| 3.2 细胞计数的卷积神经网络回归模型 | 第35-36页 |
| 3.3 反卷积神经网络的构建和训练 | 第36-40页 |
| 3.4 基于反卷积神经网络的细胞计数 | 第40-43页 |
| 3.4.1 训练和测试数据准备 | 第40-41页 |
| 3.4.2 细胞计数框架设计 | 第41页 |
| 3.4.3 模型训练和参数设置 | 第41-43页 |
| 3.5 实验和分析 | 第43-50页 |
| 3.5.1 高斯核尺寸选择 | 第43-44页 |
| 3.5.2 上采样方式的选择 | 第44-45页 |
| 3.5.3 训练中不同尺寸卷积核的影响 | 第45-46页 |
| 3.5.4 实验结果与分析 | 第46-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于Faster R-CNN的细胞检测方法 | 第51-69页 |
| 4.1 R-CNN网络结构模型 | 第51-54页 |
| 4.2 Fast R-CNN网络结构模型 | 第54-56页 |
| 4.3 Faster R-CNN网络结构模型 | 第56-59页 |
| 4.3.1 候选区域网络（RPN） | 第57-58页 |
| 4.3.2 Faster R-CNN网络模型 | 第58-59页 |
| 4.4 基于Faster R-CNN网络的细胞检测 | 第59-61页 |
| 4.4.1 细胞检测网络模型 | 第59-60页 |
| 4.4.2 细胞检测算法流程 | 第60-61页 |
| 4.4.3 训练和测试数据准备 | 第61页 |
| 4.5 实验和分析 | 第61-68页 |
| 4.5.1 评价标准 | 第61-62页 |
| 4.5.2 候选框算法比较 | 第62-63页 |
| 4.5.3 锚框的选择对检测结果的影响 | 第63-65页 |
| 4.5.4 图像测试结果分析 | 第65-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 总结和展望 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附件 | 第79页 |