1 绪 论
1.1 课题背景和研究意义
1.2 国内外研究现状
1.3 论文主要工作和创新点
1.4 论文组织框架
2 相关方法及原理
2.1 深度迁移学习
2.2 深度残差网络
2.3 深度堆叠式稀疏自编码器
2.4 特征融合
2.5 特征降维算法
2.6 分类器算法
2.7 本章小结
3 基于混合深度模型和自适应特征学习的显微图像分类
3.1 老鼠肠道细胞显微图像数据集的介绍
3.2 Res-SSAE混合模型的搭建和学习
3.2.1 细胞显微图像的高阶特征提取
3.2.2 预训练和微调堆叠式稀疏自编码器
3.2.3 自适应权重匹配和特征加权融合
3.2.4 基于稀疏编码特征的分类
3.3 实验结果和分析
3.3.1 实验条件
3.3.2 肠道显微图像的高阶特征可视化
3.3.3 Res-SSAE模型中隐藏层个数和权重参数分析
3.3.4 不同分类算法的结果对比
3.4 本章小结
4 基于深度迁移网络和旋转子空间集成学习的显微图像分类
4.1 TL-SEL深度模型的搭建和学习
4.1.1 细胞显微图像的高阶特征提取层
4.1.2 旋转样本子空间抽样层
4.1.3 细胞显微图像高阶特征降维层
4.1.4 细胞显微图像的集成分类层
4.2 实验结果和分析
4.2.1 实验条件
4.2.2 不同分类算法的结果对比
4.3 本章小结
5 总结和展望
5.1 论文总结
5.2 研究展望
参考文献
附 录
A 作者在攻读学位期间发表的论文专利目录
B 作者在攻读学位期间参与的科研项目目录
C 学位论文数据集
致 谢
重庆大学;