USC科研课题:基于ImageNet数据集的深度学习算法优化研究

描述

USC科研课题

基于ImageNet数据集的深度学习算法优化研究

课题简介

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。

科研方法

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。


授课导师

南加州大学生物医学工程专业博士
1、南加州大学生物医学工程专业博士在读;
2、研究方向为使用机器学习算法分类生物医学影像;
3、现担任USC生物医学工程专业助教。

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:
1、具备基本的学术英语阅读能力;
2、接触过英文写作,有论文写作经验者更佳;

 

数学:
1、线性代数基础;
2、概率统计基础知识;

 

计算机
1、Python编程基础
2、Numpy库基础
3、Matplotlib库基础
4、Pytorch编程基础

咨询请添加顾问老师

翰林国际课程咨询二维码