基于移动平台的目标检测技术应用开题报告

全文总字数：876字

1. 研究目的与意义

近年来，深度学习由于神经网络的中的alexnet的提出再度迎来热潮，随后各种神经网络的模型也一一被提出。

而卷积神经网络解决的问题之一就是图像分类。

图像分类在机器学习中有着重要的意义，本课题实现在自然场景中精确的分类出45张动物。

2. 国内外研究现状分析

2012年提出的alexnet，成为了ilsvrc2012冠军，掀起cnn研究的热潮，是如今深度学习和ai迅猛发展的重要原因。

2013年提出的zfnet，成为ilsvrc2013分类任务的冠军；14年提出的vggnet，成为了ilsvrc2014定位任务的冠军，分类任务的亚军；接下来提出的inceptionnet，resnet，mobilenet等，都进一步完善了卷积神经网络模型。

微软也在几年前推出了微软识花的app。

3. 研究的基本内容与计划

实现对自然场景中45种动物的精确分类，使用迁移学习在泛化程度较高的模型和权重的基础上，获取mobilenet的瓶颈层，并在后面加入自己的模型，使用ilsvrc2012的图像集进行训练，由于现有的模型和权重已经具有较强的提取特征的功能，所以可以在中等时间内，在一般服务器上对自己的训练集达到较高的识别度，可行性较高。

并鉴于移动端的实用性，将keras模型转换成tensorflow模型后迁移到移动端，实现拍摄图片或者相机中选择图片后实现图片识别分类的能力。

计划于寒假实现keras模型的训练，开学初实现迁移到安卓移动端。

4. 研究创新点

使用深度学习中的卷积神经网络模型，在训练时有着数据集过大训练时间过久以及过度拟合的问题，而在具有一定特征提取能力的模型上进行迁移学习，既可以减少数据集的数量，也可以在较短的时间内达到十分可观的精确度，若不进行迁移学习，在没有GPU服务器以及很大内存和计算机能力的情况下几乎是不可能完成的任务。

对图片进行图像增强可以进一步减少过度拟合。