结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写 2000字左右的文献综述：
一、项目简介
眼睛作为人类最重要的感觉器官，90%以上的信息通过眼睛获得。视觉缺陷严重影响了人类生活质量，而视网膜病变是影响视觉质量的一个重要原因。随着经济水平的发展，我国人口老龄化，人们保护眼睛意识欠缺等原因，以致人们的眼病发病率越来越高，如糖尿病性黄斑水肿(Diabetic Macular Edema, DME)，脉络膜新生血管（choroidal neovascularization,CNV）和玻璃疣（DRUSEN）等。随着眼科成像技术的发展，利用视网膜病变量化特征诊断视网膜疾病成为了可能。近几年，尤其频域光学相干断层成像技术(Spectral-Domain Optical Coherence Tomography, SD-OCT)的运用，大大提升了眼科诊断能力。SD-OCT 是一种具有成像速度快、高分辨率和非侵入性等特点的成像技术，能够提供高分辨率的视网膜内部组织结构断层图像，使眼科医生可以观察到内部的细微变化。该技术也能为眼科医生提供大量可用的图像数据，同时眼科医生利用这些图像数据对病人进行随访及病变演化预测。于是视网膜病变的识别与量化分析已变得越来越重要。
正常眼睛的视网膜图像在灰度分布和形态结构上都具有较高的相似性，而视网膜病变图像会导致灰度分布和形态结构与正常视网膜图像相比发生改变。本项目拟通过异常检测方法检测与分割OCT视网膜病变，为视网膜辅助诊断提供参考。
- 文献综述
异常检测可以理解为将明显偏离大多数实例分布的实例检测出来的过程，这些偏离大多数实例分布的实例被称作离群点。近几十年来，由于在风险管理、安保、金融监管、医疗健康等领域出现日益增长的需求，异常检测发挥着越来越重要的作用，在数据挖掘、机器学习、计算机视觉和统计等各个领域都得到了很大的重视[1]。
近年来，深度学习在学习高维数据、时序数据等复杂数据的表示方面展现出强大的能力，对不同任务做出了革新[2]。大量的深度异常检测方法已经被提出，在各种具有挑战性的实际异常检测问题方面显示出比传统异常检测方法有更好的性能。
深度异常检测方法的框架大概有三种[1]：（1）深度学习用作特征提取工具，与后续的异常检测方法分离开，（2）深度学习用于学习正常数据的数据分布，并以某种方式与异常检测结合，（3）端到端的深度异常检测方法。
本节只对前两者进行讨论。
- 深度学习仅用于特征提取
在该框架下，深度学习部分与异常检测部分完全分隔开来。深度学习被用于从高维或者非线性可分的数据提取出低维的特征，然后将提取出来的特征用于下游的异常检测任务，这里我们可以将深度学习仅视作一个降维的工具。整个过程可用以下的式子来表示
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。
