基于中心损失的图像分类器的设计与实现开题报告

1. 研究目的与意义（文献综述）

所谓图像分类问题，就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。

虽然看起来挺简单的，但这可是计算机视觉领域的核心问题之一，并且有着各种各样的实际应用。

传统的图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。

2. 研究的基本内容与方案

2.1 研究目标本次研究的目标是实现基于中心损失的图像分类器的设计。

在实现这个设计时，我们将卷积神经网络作为我们的核心，再结合中心损失函数来计算loss,并且使用随机梯度下降算法来更新网络参数，训练网络的数据集为mnist，使用 gpu 作为计算的工具，最终我们希望以这样一种组合来进一步提高图像分类的准确度。

2.2 研究基本内容本次研究的平台是深度学习框架—pytorch，并且结合 gpu 计算，建立一个卷积神经网络（cnn），这是此次设计的核心。

3. 研究计划与安排

第 1 周：进行开题报告的撰写； 第 2 周：学习 Python 和开发环境的配置； 第 3 周：学习深度学习框架 Pytorch； 第 4 周：学习深度学习框架 Pytorch； 第 5 周：学习卷积神经网络（CNN） ； 第 6 周：学习中心损失函数； 第 7 周：系统设计与完成网络训练部分的程序；图 1 系统流程第 8 周：调试网络训练部分的程序； 第 9 周：完成网络测试部分的程序； 第 10 周：调试网络测试部分的程序； 第 11 周：系统调试与改进； 第 12 周：系统调试与改进； 第 13 周：完成程序并撰写论文； 第 14 周：论文撰写； 第 15 周：论文撰写；

4. 参考文献（12篇以上）

[1]Alexander Lancaster,Gordon Webster. Getting Started with Python[M].Apress:2019-09-28.[2]机器学习[M]. 清华大学出版社 , 周志华, 2016[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)[4]彭欣仪,李磊.应用深度学习神经网络的图像识别系统[J].福建电脑,2020,36(01):65-67.[5]秦川.基于卷积神经网络的图像识别[J].电子技术与软件工程,2020(01):98-99.[6]杨静亚,李景霞,王振宇,程海.基于卷积神经网络的花朵品种的识别[J].黑龙江大学工程学报,2019,10(04):90-96.[7]林云森,范文强,姜佳良.基于深度学习的水果识别技术研究[J].光电技术应用,2019,34(06):45-48 58.[8]杨永翌.基于 Keras 框架 MNIST 数据集识别方法研究[J].汽车实用技术,2019(23):101-103.[9]苏静.基于 CNN 的外观专利图像分类[J].智能计算机与应用,2019,9(05):95-97.[10]戴志鹏. 基于 CNN 的目标区域提取和细粒度图像分类的研究[D].南宁师范大学,2019.[11]宋俊芳.基于 CNN 的路面裂缝图像分类[J].信息与电脑(理论版),2018(16):64-65 69.[12]Partha Pratim Banik,Rappy Saha,Ki-Doo Kim. An Automatic Nucleus Segmentation and CNN Model based Classification Method of WhiteBlood Cell[J]. Expert Systems With Applications,2020,149.[13]Mansoor Iqbal,M. Shujah Islam Sameem,Nuzhat Naqvi,Shamsa Kanwal,Zhongfu Ye. A deep learning approach for face recognition basedon angularly discriminative features[J]. Pattern Recognition Letters,2019,128.[14]Yudi Zhao,Kuangrong Hao,Haibo He,Xuesong Tang,Bing Wei. A Visual Long-short-term Memory Based Integrated CNN Model for Fabric Defect Image Classification[J]. Neurocomputing,2019.[15]Jiahong Jin,Jun Q. Lu,Yuhua Wen,Peng Tian,Xin-Hua Hu. CNN based classification of 5 cell types by diffraction images[P]. European Conference on Biomedical Optics,2019.