1. 研究目的与意义
随着多媒体技术的发展和互联网的日益普及,人们生活中所接触到的图像信息与日俱增,面对巨大的图像数据,传统的人工分类标注图像的管理方式变得不再可行。
现有诸如支持向量机、仅含一层隐层的神经网络、核回归等一些机器学习方法都是采用浅层学习结构,这种有限的样本数量和计算单元对复杂函数的表示存在明显的不足,在复杂的分类问题上更难以有效地表现性能和泛化能力。
神经网络构建的深度学习方法取得了很多突破性的进展,在计算机视觉、语音识别、自然语言处理等领域也出现了大量的创新应用。
2. 课题关键问题和重难点
在理论研究时。
需要加深对深度神经网络算法原理的了解，比如神经网络如何实现，神经网络各层不同的作用，神经网络如何从数据中学习，卷积神经网络的原理。
需要学习如何使用tensorflow开源深度学习架构，包括python语言的基础应用，如何安装配置tensorflow环境，tensorflow中计算图，张量，会话的概念与使用，如何使用tensorflow实现神经网络。
3. 国内外研究现状（文献综述）
深度学习的概念源于人工神经网络的研究。
含多隐层的多层感知器就是一种深度学习结构。
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
4. 研究方案
方案：设计一共区分多少场景，然后寻找合适的图片数据集。
搭建tensorflow深度学习环境，设计合适的卷积神经网络。
在电脑端使用实验数据训练模型，在电脑端使用新的数据完成测试，使用androidstudio开发android应用，移植训练好的模型并测试技术指标是否达标，实验论证与分析完成毕业论文。
5. 工作计划
第1周：确定选题，完成申请表；第2周：查阅资料，熟悉任务书要求；第3周：查阅资料，准备撰写开题报告；第4周：搜集、查阅相关文献资料，确定总体研究计划；第5周：搭建研发环境，准备实验数据；第6周：实验设计方案；第7周：论证设计方案；完成开题报告初稿；第8周：完善开题报告；完成开题；第9周：系统开发:设计模型；第10周：系统开发:训练模型；检查与完善英文翻译；第11周：系统开发:测试并修改模型；第12周：系统开发:移植移动端并测试；完成中期检查；第13周：结合导师意见，完善系统，测试系统成果；第14周：参考研究过程资料，撰写论文，完成论文初稿；完成软硬件验收；第15周：对论文进行修饰和完善，完成论文二稿；完成论文查重；第16周：完成论文定稿，制作PPT，完成答辩。
以上是毕业论文开题报告，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。
