USC科研課題

基于ImageNet數據集的深度學習算法優化研究

課題簡介

深度學習（Deep Learning）是人工智能（Artificial Intelligence）近幾年最熱門的研究領域。這個領域內接連誕生了AlphaGo、人臉識別、無人駕駛汽車等重量級應用，掀起了一場席卷全世界的科技革命浪潮。深度學習，顧名思義，就是利用多層卷積神經網絡（Convolutional Neural Network）對海量數據進行運算分析的技術。深度學習在很多領域展現了強大的應用能力，在某些試聽識別中的表現甚至超越了人類專家。

圖像分類（Image Classification）是深度學習中應用最早也是應用最為廣泛的部分，由于現實世界中圖像分類問題的數據量往往很小，所以常常通過遷移學習 （Transfer Learning）來完成。近幾年來，深度學習已經成為很多圖像研究者們的首選方法，很多討論深度學習技術的文章被收錄在頂級學術雜志期刊如Nature、Science、Cell中。

作為深度學習中應用最廣泛的部分，圖像分類的意義可以說舉足輕重。事實上，深度卷積神經網絡模型在2012年橫空出世將圖像分類的最高級別的比賽ImageNet的準確率提高了不止一個檔次。自此，每年的冠軍模型都是基于深度卷積神經網絡開發出來的，并且在2015年，圖像分類的準確率已經高于了人類。

本課題旨在介紹深度卷積神經網絡結構，并且就從ImageNet數據集當中挑選一小部分作為突破口，來探究深度學習的來龍去脈。除此之外，本課題還緊跟學術前沿，介紹當下流行的幾種準確率最高的模型，并且比較它們之間的區別。

本課題還介紹遷移學習的目的及必要性、應用成熟的模型對數據集進行調試的方法，并且比較圖像分類方法的準確率，旨在讓學生從理論到實踐全面了解深度學習。

科研方法

AI＋X數據驅動型科研

使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數據，并基于此進行預測，從而獲得科學發現的研究方法。與傳統的、基于實驗或邏輯推理的研究方式相比，AI＋X數據驅動型科研可以借助AI算法強大的運算能力，高效地進行大數據分析，具有投入產出比高、適用范圍廣的優點。

AI＋X數據驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數據，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數據千千萬萬，使用傳統的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現。

但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數據庫，與過往的研究成果進行對照，快速、準確地在兩者中發現規律、建立聯系，從而使癌癥診斷的“標準化”成為可能。

---

課題要求

本課題適合： 9-12 年級學生，有較強的邏輯思維和抽象思維能力：

英文：
1、具備基本的學術英語閱讀能力；
2、接觸過英文寫作，有論文寫作經驗者更佳；

 

數學：
1、線性代數基礎；
2、概率統計基礎知識；

 

計算機
1、Python編程基礎
2、Numpy庫基礎
3、Matplotlib庫基礎
4、Pytorch編程基礎