科研课题:深度学习在图像识别和分类中的应用
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。
相关学科
深度学习 图像识别 迁移学习
计算机 人工智能 机器学习
应用数学 统计学 数据科学
导师:南加州大学生物医学工程专业 博士
南加州大学生物医学工程专业博士在读;
研究方向为使用机器学习算法分类生物医学影像;
现担任USC生物医学工程专业助教。
研
课题研究方法
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。
整个科研教学流程中,每一位学员都将有学术督导协助保障研究阶段性作业和论文的进度,确保取得研究成果。
奖
科研项目成果
成果1
独一无二的课题成果
有方学者项目的导师会为每个学生提供独一无二的课题,连接最前沿的科研方法和学生感兴趣的学术方向,保证学生研究内容的差异性。
成果2
在英文期刊中发表学术论文
有方学者项目保证为学员在正规的英文学术期刊中发表论文。有方学者最优秀的学生,不但可以冲击EI、SCI等高级别期刊,而且有机会参与全球顶级的学术会议。
成果3
第一作者身份
有方学者项目坚持帮助学生以第一作者身份发表论文。在申请过程中,第一作者顺位恰恰是学生在科研项目中的参与程度的最佳证明。
成果4
美国Top 30院校导师的推荐信
有方学者项目将为学生提供项目科研导师撰写的推荐信。导师作为推荐人,来自于美国顶尖学府的科研团队,保证了推荐信的可信度。
成果5
高效备战具有高影响力、高含金量的科研竞赛
学生可以直接使用有方学者项目的成果论文冲击多项全球顶级的科研赛事,其中包括:被誉为“中国青年的诺贝尔奖”的东润丘成桐科学奖、谷歌科学奖和达特茅斯大学举办的ISEC论文比赛。
科研课题报名须知
本项目课题研究仅限 2 个名额
注:本课程采取审核制招生,我们将通过两轮面试评估课程匹配度,最终确定入选的学生名单。
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:
具备基本的学术英语阅读能力;
接触过英文写作,有论文写作经验者更佳;
数学:
线性代数基础;
概率统计基础知识;
计算机:
Python编程基础
Numpy库基础
Matplotlib库基础
Pytorch编程基础