全文总字数：5262字
1. 研究目的与意义、国内外研究现状（文献综述）
课题的意义、国内外研究进展、应用前景等（列出主要参考文献）
研究意义
生成对抗网络（generative aadversarial nnetwks，gan）是一种生成式深度学习模型，近年来已经成为计算机视觉研究领域热点研究方向之一[1]。该模型包括一个生成模型和一个判别模型，生成模型用于捕捉样本数据分布，而判别模型一般是一个二分器，用于判别输入时是真实数据还是样本数据。该模型训练时需要固定其中一方，更新另一个模型的参数，交替迭代[2]。
2. 研究的基本内容和问题
研究的目标、内容和拟解决的关键问题
研究目标
本文的研究目标是基于不同生成对抗网络模型实现不同特征的植物叶片图像生成。主要研究基于生成对抗网络的图像生成方法，通过对自己收集、制作的植物叶片数据集对不同的生成对抗网络模型进行搭建、优化、效果比较与分析。
3. 研究的方法与方案
研究方法、技术路线、实验方案及可行性分析
研究方法
1. 通过文献研究法搜集文献有关生成对抗网络的相应资料，并对所研究的问题进行全面、准确的了解与掌握。
2. 借助图像处理的技术，对数据集进行规模化的批量处理，包括调整图像分辨率、图像旋转等。
3. 运用深度学习的模型框架，搭建卷积神经网络，并在不断模型优化中调整模型各个参数，是模型达到效果相对较好的状态。
4. 比较研究法，通过对比不同网络模型、不同数据集的图像生成效果，进而达到深入分析的目的。
技术路线
本项研究具体研究路线如下：
实验方案
1.学习阶段：收集相应的资料，从国内外文献、网课学习机器学习、深度学习、Python、生成对抗网络相关基础知识，并选择最终的毕设内容。
2.确定题目：将学习阶段学习到的内容进行整合，结合自己的想法确定毕设最终题目，并向老师请教此题目的可行性。
3.数据集的收集、整理与处理：由于此项目涉及的数据集均需要自己拍摄，在项目前期可进行规模化的图像采集与图像处理。
4.代码编写：实现深度卷积生成对抗网络并不断优化参数，尽量使网络结构达到效果相对较好的程度。在DCGAN的基础上，根据实际情况进行其他网络结构的设计与优化。
5.比较分析：通过比较不同网络模型、不同数据集的图像生成效果，分析每种模型的特点，并得出最终的分析结果，如果条件允许，可以采用可视化的方式进行比较。
6.代码编写环境及语言
在macOS环境下利用Python编写。
7.使用框架：
TensFlowTensFlow工作流程相对容易，API 稳定，兼容性好并且 TensFlow 与Numpy完美结合。同时，TensFlow 能够在各种类型的机器上运行。与其他一些库不同，TensFlow 不需要任何编译时间，极大地提高了效率。
8.使用环境：Pym Anaconda
可行性分析
1.本人在2018年12月初开始学习一些有关机器学习、深度学习、Python的相关知识，有了一定的编程基础。
2.本科的专业成绩、专业能力处于中上，代码能力可以支持此项目的顺利进行。
3.参加过国家级SRT项目，具有一定的项目开发能力以及独立工作的能力。
4.在开题前，了解了深度学习有关的方向，通过阅读大量文献确定了最终的毕设设计方向。
5.在生成对抗网络的相关项目中，虽然GAN并没有十分的普及，相关成品不是特别多，但是已经有前人实现过GAN用于图像生成的设计，虽然效果并不是很理想，但是可以进行进一步的分析、优化、调参，力求达到相对效果较好的图片生成模型。
6.此项目在于优化传统模型，并结合其他模型进行图像生成效果的分析，具有一定的工作量。
7.制定合理的项目实施进度计划、有经验丰富的指导老师，可以保证项目的顺利完成。
综上所述，本项目研究的内容切实可行，在大学生能力范围之内。
4. 研究创新点
特色或创新之处
1. 如今的许多领域的研究项目离不开大量数据的支撑，在计算机视觉领域往往会出现数据集不足的情况，致使现有的数据集规模不足以支撑项目取得较理想的效果，因此生成对抗网络用于图像生成会是一个理想的解决方案。
2. 生成对抗网络具有无限的建模能力，此模型通过生成网络和判别网络的不断“博弈”达到了优化模型的效果，再结合图像生成，是一种新的尝试。
5. 研究计划与进展
研究计划及预期进展
2018年12月：学习机器学习、深度学习、python相关知识，搜集相关资料并选题。
2019年1月：开题报告及开题答辩。根据指导老师的建议对开题报告进行进一步修改与完善。
