基于生成对抗网络的植物叶片图像生成技术研究开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

研究意义

生成对抗网络（generative adversarialnetwork，gan）由goodfellow等^[1]于2014年提出，是深度学习领域一个非常活跃的分支，它已经成为人工智能学界一个热门的研究方向。gan启发于博弈论中的二人零和博弈。在二人零和博弈中，双方的利益之和为零或不变，即一方有收益，另一方必有损失^[2]。传统的生成对抗网络模型由一个生成器（generator）和一个判别器（discriminator）组成，其中生成器用于捕捉真实数据样本的潜在分布，并生成新的数据样本；而判别则用于判别输入的数据是真实的还是生成的，它实际上是一个二分类器。这两个网络通过共同学习和相互作用，最终训练出能够产生接近于真实数据的模拟数据的生成网络。

gan能自动从源数据中进行学习，可以不需要人工对数据集进行标记，且能产生很好的效果。生成对抗网络的出现极大地推动了无监督学习，图片生成的研究。如今，它已从最初的图片生成，被拓展应用到其他多个领域。

2. 研究的基本内容和问题

研究目标

本文的研究目标是基于不同生成对抗网络模型实现植物叶片图像生成。主要研究基于生成对抗网络的图像生成方法，通过对自己收集、制作的图像数据集对不同的生成对抗网络模型进行搭建、优化、效果比较与分析，最后封装成系统并可视化呈现。

研究内容

3. 研究的方法与方案

研究方法

1.通过搜集并阅读文献有关生成对抗网络的相应资料，并对所研究的问题进行全面、准确的了解与掌握。

2.借助图像处理的技术，对数据集进行规模化的批量处理，包括图像裁剪、旋转、边缘优化、调整图像分辨率等。

4. 研究创新点

特色或创新之处

1.生成对抗网络具有无限的建模能力，此模型通过生成网络和判别网络的不断“博弈”达到了优化模型的效果，再结合图像生成，是一种新的尝试。

2.gan自动从源数据中进行学习，不需要人工对数据集进行标记，且能产生很好的效果

5. 研究计划与进展

研究计划及预期进展

2019年12月：学习机器学习、深度学习、python相关知识，搜集相关资料并选题。

2020年1月：开题报告及开题答辩。根据指导老师的建议对开题报告进行进一步修改与完善。