- 文献综述（或调研报告）：
近年来，人工智能(Artificial Intelligence. Al)在医疗领域的应用越来越受到重视，特别是卷积神经网络(Convolutional Neural Network. CNN)迅速发展后，计算机视觉(Computer Vision)算法在医学图像中的应用愈加广泛.其中，皮肤疾病因为有依赖视觉和图像来诊断评估的特性，越来越多的人开始研究人工智能的应用。
斯坦福大学团队2017年在Nature杂志上发表了一篇轰动性的研究[1]，他们用大样本皮肤病图像(129,450张临床图像，包括3,374张皮肤镜图像，涵盖2,032种不同皮肤病)去训练卷积神经网络，结果显示.在鉴别恶性黑素瘤(malignant melanomas)与良性色素痣(benign nevi )、角质形成细胞癌( keratinocyte carcinomas，意同non-melanoma skin cancer, NMSC)与良性脂溢性角化(benign seborrheic keratosis )两种任务中，卷积神经网络的诊断准确率媲美21位皮肤科专科医生[12].除了皮肤镜图像，也有研究表明，卷积神经网络在大类别皮肤病的普通数码照片样本中也具有良好的分类效果，而在小类别皮肤病的精细化诊断中则应用较少。该研究表明，将深度学习用于皮肤病诊断是可行的并且是有很好的前瞻性的。
本课题由于需要使用到分类网络以及检测网络，故对两个方向下的主流网络结构进行调研。
在ILSVRC2012中, Alex Krizhevsky, Ilya Sutskever, 和 Geoffrey Hinton 提出了名为AlexNet的深度神经网络[2]，Alexnet提出了Relu激活函数， f(x)=max(0,x)，扭曲线性函数，是一种非线性的非饱和函数。在训练时间上，非饱和函数比饱和函数训练更快。不会有由于非线性引起的梯度弥散形象（顶层误差较大，由于逐层递减误差传递，引起低层误差很小，导致深度网络地层权值更新量很小，导致深度网络局部最优）。ReLU的这些性质可以让我们训练更深的网络。同时AlexNet中还使用了Dropout以及数据扩充来防止过拟合，并且使用了多GPU来进行并行计算，使得神经网络的训练时间降低。
来自Google的Christian Szegedy等人提出了称为GoogleNet的22层神经网络赢得了14年ISLVRC的冠军[3]。这错误率只有6.7%的模型奠定了Google在计算机视觉领域的地位。这一模型最引人注目的地方在于模型架构极大的改善了计算机计算资源的利用率，在精心设计的网络下，模型的计算开销在深度和宽度增加的情况下保持常数。GoogleNet在模型中引入了Inception Module，利用非序列化的并行方式来提高模型的性能。GoogleNet令人瞩目的是其识别准确率已经达到了人类的水平。GoogleNet第一次引入了CNN模块的非序列化概念，Inception-module提供了一种更具创造性的结构，并能极大提高模型表现和计算效率。
主流的基于深度学习的目标检测算法主要包括R-CNN[4]，Fast R-CNN[5]，Faster R-CNN[6]以及单阶段的YOLO[7]和SSD[8]。R-CNN突破了传统的目标检测算法的思想，为深度学习在目标检测领域的首次成功突破。该算法主要包括区域提名、归一化处理、特征提取、分类及回归等步骤。首先，使用选择性搜索算法从原始图片中区域提取适量候选区域。然后，将候选区域进行尺度归一化，并通过预训练的CNN网络提取候选区域的目标特征表达，特征层之后是全连接层，并使用SVM作为分类器。R-CNN算法在目标检测精度上相较传统方法有了质的提升，但是也存在不少缺点。如候选框数量众多导致运算量庞大，效率低、占用硬盘空间大、SVM模型仍然有待优化等。
Fast-RCNN在R-CNN的基础上，采用自适应尺度池化对整个网络进行优化，从而规避了R-CNN中冗余的特征提取操作，提高了网络识别的准确率。此外,使用感兴趣区域池化层,用以提取特征层上各个候选框的固定维度的特征表示;同时，使用 SoftMax 非线性分类器,以多任务学习的方式同时进行分类和回归。由于Fast R-CNN 无需存储训练和测试过程产生的中间值,因此其速度相较于 R-CNN 大为提升。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
