西北大學科研課題

深度學習在圖像識別中的應用

課題簡介

深度學習 (Deep Learning) 是目前人工智能最重要的組成部分，是一種由復雜結構（多重非線性變換）構成的多個處理層對數據進行高層抽象的算法。人工智能作為二十一世紀關鍵技術之一，已經成為全球經濟迅猛增長的源動力。深度學習根據其應用分類，可以分為監督學習（分類，回歸），非監督學習（聚類，異常值檢測）與強化學習（AlphaGo，自動駕駛等）三大類。深度學習是一門交叉學科，損失函數的優化需要應用數學支撐，代碼實現與GPU運算需要計算機科學支撐，模型設計需要統計學支撐。隨著信息技術的發展，越來越多的領域都離不開深度學習與人工智能。

隨著人類社會的發展，越來越多的新發明受到人們的關注。如谷歌，百度，特斯拉等等公司都在著手研發自動駕駛技術，百萬年薪在這一領域已是稀松平常，當今IT公司追逐人工智能風潮的決心可見一斑。擁有頂尖人工智能技術的公司股價連創新高，深度學習已成為當今社會最前沿與重要的技術之一。

作為一個交叉學科，深度學習與人工智能要求較強的理工科背景：數學，統計學知識幫助理解深層次的原理，計算機知識則是搭建軟件框架的必要背景。在具體的研究上，學生還需要有較強的建模能力去設計模型。

圖像識別技術是信息時代的一門重要的技術，它能夠讓計算機代替人類去處理大量的物理信息。隨著計算機技術的發展，人類對圖像識別技術的認識越來越深刻。圖像識別技術的過程分為信息的獲取、預處理、特征抽取和選擇、分類器設計和分類決策。圖像識別技術的應用十分廣泛，如人臉識別（Iphone X），物件分類，自動駕駛（與強化學習交叉），甚至還有警方與IT公司合作，使用人臉識別技術用數以百萬計的攝像頭自動鎖定罪犯并且通知警方。因此， 研究圖像識別技術具有重大意義。本次課題我們將設計深度學習模型并且應用于圖像識別問題。

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：
1、線性代數基礎知識；
2、概率統計基礎知識

 

計算機：
Python編程基礎。