1. 毕业设计（论文）的内容和要求

我们大脑的成像过程似乎很容易。人们毫不费力地就能区分出狮子和美洲虎、阅读符号、识别面孔。但是这些任务对于计算机而言却是一个大难题：它们之所以看上去简单，是因为我们的大脑有着超乎想象的能力来理解图像。在过去几年里，机器学习在解决这些难题方面取得了巨大的进步。其中，发现一种称为深度卷积神经网络的模型在困难的视觉识别任务中取得了理想的效果 #8212;#8212; 达到人类水平，在某些领域甚至超过深度学习方法可以对原始图像的特征进行自动提取,通过层层抽样从而得到深层抽象的特征。深度学习在物体识别中最重要的进展体现在imagenet ilsvrc3挑战中的图像分类任务。传统计算机视觉方法在此测试集上最低的错误率是26.172%。2012年，欣顿的研究小组利用卷积网络把错误率降到了15.315%。此网络结构被称为alex net。本课题主要研究基于深度学习的图像分类,重点研究商品图像的精细分类。深度学习的目的是要让我们的应用获得认知能力。本课题要开发一个图片分类应用，准备使用tensorflow通过前面的步骤训练得到一个懂得几个分类的学习模型。

利用深度学习模型的层次特征学习能力，在特征汇聚阶段引入图像中目标的显著性信息，增强了图像的特征表达能力。通过在图像层次稀疏表示中引入图像显著信息，加强了图像特征的语义信息，得到图像显著特征表示。同时相比于手工指定特征，我们的模型采用无监督数据驱动的方式直接从图像中学习到有

效的图像特征描述。在 2 个常用的标准图像数据集(caltech 101 和 caltech 256)上进行的实验结果表明，结合了图像显著性信息的层次特征表示相比于基于局部特征的单层稀疏表示在性能有了进一步的提升。

2. 参考文献

[1] yu kai, jia lei, chen yuqiang, et al. deep learning: yesterday, today and tomorrow [j]. journal of computer research and development, 2013, 50(9): 1799-1804(in chinese) (余凯 , 贾磊 , 陈雨强等 . 深度学习的昨天、今天和明天 [j]. 计算机研究与发展 , 2013,50(9): 1799-1804)

[2] yoshua bengio. learning deep architectures for ai [j]. foundations and trends in machine learning, 2009(2)

[3] hubel d h, wiesel t n. receptive fields, binocular interaction and functional architecture in the cat#8217;s visual cortex[j]. the journal of physiology, 1962, 160(1): 106.

3. 毕业设计（论文）进程安排