1. 研究目的与意义
深度学习(Deep Learning）是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习热潮爆发以来，诸多研究者都在不懈地努力着，希望能够把它应用于解决计算机视觉的各种任务上，从高层次（ high-level）的识别（recognition），分类(classification）到低层次( low-level）的去噪（denoise)。
深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。多层的好处在于可以用较少的参数表示复杂的函数。常见的深度学习算法包括：受限波尔兹曼机（Restricted Boltzmann Machine)，深度信念网络(Deep Belief Networks)，卷积神经网络(Convolutional Neural Networks)，堆栈式自动编码器(Stacked Auto-encoders)。 计算机视觉能够从食物照片中估算出卡路里,方便人们监控卡路里摄入，从而控制体重。对现当代人们的健康生活饮食起到很大的积极作用。针对现有食物卡路里估算存在目标检测精度不高和估算结果误差较大等问题，本文研究并提出了一种基于深度学习的食物卡路里估算方法。
2. 研究内容和预期目标
本文主要研究
(1)鉴于当前的食物数据集不能满足食物卡路里估算的需求，本文提出了一个食物数据集ECUSTFD(ECUST Food Dataset)。该数据集包含19类食物，图片数目合计2976张，每张图片均提供标注、图片中食物的体积以及质量数据。
(2)利用深度学习算法Faster R-CNN检测目标，该算法具有检测精度高、对输入图像大小限制小等优点。并用GrabCut算法对检测到的食物进行分割，从而获得食物轮廓、
3. 国内外研究现状
国外：
深度学习(deep learning)也被译为深层学习，是美国学者Ference Marton和Roger Saljo基于学生阅读的实验，针对孤立记忆和非批判性接受知识的浅层学习(surface learning)，于1976年首次提出的关于学习层次的一个概念。
2006年，加拿大多伦多大学计算机系辛顿教授在《科学》上发表了《利用神经网络刻画数据》，开启了21世纪深度学习在学术界的浪潮。深度学习源自于计算机科学、人工神经网络和人工智能的研究。深度学习走向教育领域的研究与实践。30多年来，加拿大西盟菲莎大学艾根教授领衔的“深度学习”项目的研究。这是近十年来在中小学深度学习研究方面最有影响的研究。该研究明确指出了学生对知识的学习到达的深度，以及教师通过对知识的处理引导学生逐步达到一定的学习深度。可以说，此项目将深度学习引入了教育实践领域。
4. 计划与进度安排
1、学习深度学习以及图片识别理论，阅读相关书籍和参考文件，列出实验系统框架
2、初步构建食物种类和卡路里数据库以及食物图片热量估算系统
3、通过分析初步实验结果，对深度学习算法进行改进完善，最终实现目标算法
5. 参考文献
1、Deep LearningIan Goodfellow、Yoshua Bengio，Aaron Courville
2、Grokking Deep LearningAndrew W. Trask
3、Deep Learning with PythonFrancois Chollet
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。
