1. 研究目的与意义（文献综述）

1.1 研究目的及意义

随着社会的进步与科技的快速发展，图像已经成为人们获取信息越来越重要的手段。近年来出现在人们生活中的图像数量迅猛增长，对于数量巨大的图像数据，人们需要快速、有效地、合理的对这些海量图像数据进行分析和处理并对分析后的图像进行识别和分类，这能大大的提高人们从海量图像信息中找到自己需要的信息的效率。在这个追求效率的数字和信息化时代，想要用人工参与的方法 来对海量的图像数据进行分类处理需要耗费大量的人工和时间资源，而且效率低 下、带有较高的主观性，这已经跟不上时代发展的步伐了。因此，使用计算能力 强大的计算机并按照一定的算法来代替人工的方式对图像进行智能处理是势在必行的。

图像分类是指利用人工智能技术特别是机器学习方法，使得计算机能够对 图像进行识别和分类的过程。作为当今热门的机器学习算法之一，深度学习的前身是神经网络，当时神经网络没有给出一个严格的定义。它的基本特点是模仿大脑神经元之间处理生物的方式来进行自身的学习。大脑对于某个事物及概念的存储，不是记忆在某个单一的神经细胞里，而是分布式地存储于整个神经元细胞里。深度学习具有分布式表征图像信息的优势，因此，基于深度学习算法来自学习图像的特征，进而实现图像的准确分类也成为了现在机器学习学科的研究热点。图像分类目前已经成为模式识别研究领域一个重要的方向，涉及人脸识别、物体识别、行人检测等等，对该方向的深入研究具有巨 大的理论研究意义和广泛的实际应用价值。

1.2 国内外研究现状

2. 研究的基本内容与方案

本文主要针对基于深度学习算法的图像分类方法进行了研究，在充分研究了相关技术基础和理论知识后，通过实验的方式将其运用的实际的自然图像分类当中。本文主要围绕以下两方面内容展开：1）基于tensor flow框架平台实现单gpu训练模型和多gpu训练模型的卷积神经网络，并对比两种模型对自然图像的分类效果。2）在 1）的基础上设计深层卷积神经网络，并实现多参数优化和网络改进，以达到对图像分类更好的效果。

衡量一种分类器的好坏，一般需要找到一个测试数据集，然后用设计好的分类器对测试数据集中的样本进行分类测试，最后取分类结果的平均值作为分类好坏的指标。图像分类流程如图1所示，其中左图为训练过程，右图为分类过程。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

4. 参考文献（12篇以上）

[1] 黄文坚，唐源．tensorflow实战[m]．北京：电子工业出版社，2017.

[2] 张顺,龚怡宏,王进军.深度卷积神经网络的发展及其在计算机视领域的应用[j].计算机学报.2017: 40

[3] ciresan d, meier u,schmidhuber j. multi-column deep neural networks for image classification[c] computer vision and pattern recognition (cvpr),2012 ieee conference on. ieee, 2012: 3642-3649.