登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 电子信息类 > 通信工程 > 正文

基于深度学习的图像理解技术研究开题报告

 2020-03-31 12:04:36  

1. 研究目的与意义(文献综述)

1、目的及意义(含国内外的研究现状分析)

1.1 研究目的及意义

随着大数据时代的到来,深度学习技术已经成为当前人工智能领域的一个研究热点,其在图像理解、语音识别、自然语言处理等领域展现出了巨大的优势,并且仍在继续发展变化。随着传感器技术、存储技术、计算机技术和网络技术的迅猛发展以及人类管理与知识水平的提高,使得数据的膨胀趋势日益加剧,信息技术发展的瓶颈已不仅仅存在于数据的获取、存储与传输,而更受限于数据的加工、分析和利用。采用有效的人工智能技术从大数据中获取抽象信息并将其转换为有用的知识,是当前大数据分析所面临的核心问题之一。大数据时代,如何对纷繁复杂的数据进行有效分析,让其价值得以体现和合理的利用,是当前迫切需要思考和解决的问题,而近期兴起的深度学习方法正是开启这扇大门的一把钥匙。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

本次的研究的主要内容是基于深度学习的图像理解技术。主要是利用cnn卷积神经网络对图像特征进行提取,然后输入到rnn循环神经网络的隐层状态中来生成自然语言描述。通过和人类手工标记的结果对比,利用bleu或nist等对结果进行评估。在matlab或者python中完成仿真并分析结果。

首先要了解cnn卷积神经网络和rnn循环神经网络的结构. 一般地,cnn的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

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matlab或python开发环境。

第6-9周:编程实现各算法,并进行仿真调试。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

1.章毓晋。图像理解(中册)。清华大学出版社.2012.

2.陈桂明,张明照,戚红雨.应用matlab语言处理数字信号与数字图像.科学出版社, 2000

3.刘卓夫,罗中明,赵东阳,贾欣怡,郭明,苏婷。机器视觉技术实现缺损qr条形码识别。

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

微信号:bysjorg

Copyright © 2010-2022 毕业论文网 站点地图