USC科研課題：基于ImageNet數(shù)據(jù)集的深度學(xué)習(xí)算法優(yōu)化研究

Category: 培訓(xùn)課程, 科研項目培訓(xùn)
|
Date: 2023年2月24日上午9:43

本課題旨在介紹深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且就從ImageNet數(shù)據(jù)集當(dāng)中挑選一小部分作為突破口，來探究深度學(xué)習(xí)的來龍去脈。除此之外，本課題還緊跟學(xué)術(shù)前沿，介紹當(dāng)下流行的幾種準確率最高的模型，并且比較它們之間的區(qū)別。

咨詢課程

Product Details

USC科研課題

基于ImageNet數(shù)據(jù)集的深度學(xué)習(xí)算法優(yōu)化研究

課題簡介

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

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

作為深度學(xué)習(xí)中應(yīng)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)開發(fā)出來的，并且在2015年，圖像分類的準確率已經(jīng)高于了人類。

本課題還介紹遷移學(xué)習(xí)的目的及必要性、應(yīng)用成熟的模型對數(shù)據(jù)集進行調(diào)試的方法，并且比較圖像分類方法的準確率，旨在讓學(xué)生從理論到實踐全面了解深度學(xué)習(xí)。

科研方法

AI＋X數(shù)據(jù)驅(qū)動型科研

使用人工智能（AI）算法，收集、處理、分析具體學(xué)科（X）的海量數(shù)據(jù)，并基于此進行預(yù)測，從而獲得科學(xué)發(fā)現(xiàn)的研究方法。與傳統(tǒng)的、基于實驗或邏輯推理的研究方式相比，AI＋X數(shù)據(jù)驅(qū)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(shù)據(jù)分析，具有投入產(chǎn)出比高、適用范圍廣的優(yōu)點。

AI＋X數(shù)據(jù)驅(qū)動型科研已被廣泛地應(yīng)用于各個領(lǐng)域，利用AI算法研究基因數(shù)據(jù)，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(shù)據(jù)千千萬萬，使用傳統(tǒng)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(xiàn)。

但借助AI算法這一便捷的工具，生命科學(xué)家便能夠以海量的患者的遺傳信息為基礎(chǔ)，建立數(shù)據(jù)庫，與過往的研究成果進行對照，快速、準確地在兩者中發(fā)現(xiàn)規(guī)律、建立聯(lián)系，從而使癌癥診斷的“標準化”成為可能。