CMU探究項目

利用卷積神經網絡進行圖像分類

課題簡介

圖像分類是根據圖像的語義信息將不同類別圖像區分開來，是計算機視覺中重要的基本問題，也是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。圖像分類在很多領域有廣泛應用，包括安防領域的人臉識別和智能視頻分析等，交通領域的交通場景識別，互聯網領域基于內容的圖像檢索和相冊自動歸類，醫學領域的圖像識別等。

卷積神經網絡是神經網絡方法中專門用于計算機視覺的一類神經網絡。它是目前解決許多計算機視覺任務的最優方法，其中最典型的是圖像分類問題。圖像分類問題的簡單描述如下：給定一張圖片和備選的幾個類別，計算機能夠自動判斷該圖片屬于備選類別中的哪一類。這個任務最直接簡單而有效的應用場景之一，就是手寫字識別：給定一張手寫圖片，計算機能夠自動識別該圖片是什么字符，從而達到手寫輸入的效果。

MNIST和CIFAR10數據集是兩個非常經典的圖像分類數據集。前者包含0~9共十個數字手寫體的圖片。后者包含10種物體（比如飛機、汽車、鳥類）的圖片。卷積神經網絡能在這兩個數據集上達到非常好的分類效果。

本課題旨在通過在這些數據集上完成基本的分類任務，讓學生學習到卷積神經網絡的原理，包括反向傳播，隨機梯度下降等，且讓學生基本掌握深度學習，并能夠認識到深度學習實戰中的各種困難，比如數據過擬合。

 

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：
微積分與函數求導；

 

計算機：
1、最好有一定的計算機基礎和編程能力；
2、Python（Numpy）