USC科研课题：基于ImageNet数据集的深度学习算法优化研究

USC科研课题

基于ImageNet数据集的深度学习算法优化研究

课题简介

深度学习（Deep Learning）是人工智能（Artificial Intelligence）近几年最热门的研究领域。这个领域内接连诞生了AlphaGo、人脸识别、无人驾驶汽车等重量级应用，掀起了一场席卷全世界的科技革命浪潮。深度学习，顾名思义，就是利用多层卷积神经网络（Convolutional Neural Network）对海量数据进行运算分析的技术。深度学习在很多领域展现了强大的应用能力，在某些试听识别中的表现甚至超越了人类专家。

图像分类（Image Classification）是深度学习中应用最早也是应用最为广泛的部分，由于现实世界中图像分类问题的数据量往往很小，所以常常通过迁移学习 （Transfer Learning）来完成。近几年来，深度学习已经成为很多图像研究者们的首选方法，很多讨论深度学习技术的文章被收录在顶级学术杂志期刊如Nature、Science、Cell中。

作为深度学习中应用最广泛的部分，图像分类的意义可以说举足轻重。事实上，深度卷积神经网络模型在2012年横空出世将图像分类的最高级别的比赛ImageNet的准确率提高了不止一个档次。自此，每年的冠军模型都是基于深度卷积神经网络开发出来的，并且在2015年，图像分类的准确率已经高于了人类。

本课题旨在介绍深度卷积神经网络结构，并且就从ImageNet数据集当中挑选一小部分作为突破口，来探究深度学习的来龙去脉。除此之外，本课题还紧跟学术前沿，介绍当下流行的几种准确率最高的模型，并且比较它们之间的区别。

本课题还介绍迁移学习的目的及必要性、应用成熟的模型对数据集进行调试的方法，并且比较图像分类方法的准确率，旨在让学生从理论到实践全面了解深度学习。

科研方法

AI＋X数据驱动型科研

使用人工智能（AI）算法，收集、处理、分析具体学科（X）的海量数据，并基于此进行预测，从而获得科学发现的研究方法。与传统的、基于实验或逻辑推理的研究方式相比，AI＋X数据驱动型科研可以借助AI算法强大的运算能力，高效地进行大数据分析，具有投入产出比高、适用范围广的优点。

AI＋X数据驱动型科研已被广泛地应用于各个领域，利用AI算法研究基因数据，从而进行早期的癌症筛查便是其中一例。基因组与癌症病患的数据千千万万，使用传统的科研方式对其进行分析，工程量大、过程繁琐，在客观上难以实现。

但借助AI算法这一便捷的工具，生命科学家便能够以海量的患者的遗传信息为基础，建立数据库，与过往的研究成果进行对照，快速、准确地在两者中发现规律、建立联系，从而使癌症诊断的“标准化”成为可能。

---

课题要求

本课题适合： 9-12 年级学生，有较强的逻辑思维和抽象思维能力：

英文：
1、具备基本的学术英语阅读能力；
2、接触过英文写作，有论文写作经验者更佳；

 

数学：
1、线性代数基础；
2、概率统计基础知识；

 

计算机
1、Python编程基础
2、Numpy库基础
3、Matplotlib库基础
4、Pytorch编程基础