1. 研究目的与意义
在大规模的训练数据集的支撑下，计算机视觉中的物体识别算法在近几年取得了突破性的进展。
但是人工收集和标注数据是一项十分耗费人力物力的工作。
例如，在细粒度分类中，需要专家来区分不同的类别。
2. 课题关键问题和重难点
要求理解零样本学习以及对抗生成网络的相关知识。
学习深度学习算法及框架，了解对抗生成网络的结构并熟练运用对抗生成网络模型；借鉴现有方法，利用未见类别的语义生成具有类间差异性的视觉特征，同时基于点特征到面特征的映射和类内多样性，完成精准的零样本识别软件原型。
要求使用pytorch或tensorflow等深度框架实现原型软件，并在多个数据库上探究所提算法的有效性。
3. 国内外研究现状（文献综述）
关键词：零样本学习；深度卷积神经网络；深度学习；1.引言随着近年来深度学习在人工智能领域中的广泛应用，基于卷积神经网络的有监督学习在人脸识别、图像分类、图像重建等方面取得了优异成果。
特别是在分类识别任务中，通过对海量带标签数据的训练，可以达到前所未有的识别精度然而对于海量标签数据的获取目前仍存在问题：(1)对海量数据进行标注工作成本昂贵，对每一个类别均要收集大量的训练数据，并且对这些数据逐一的进行人工标注既费时又费力；(2)对于某些罕见对象获取数据较难；(3)在数据缺乏的情况下进行细粒度的物体识别更为困难。
但是相比之下，人类可以区分至少30000个基础物体类和更多的子类，而且在认知科学领域中， 有研究表明人类具有知识迁移能力，可以在大脑中保存、积累过去获得的知识，而且在学习新事物的时候能够提取目标物体的中间语义表示或更高级的抽象描述，并将先前学习的知识迁移到目标物体。
4. 研究方案
针对小规模数据集而言，主要的评价指标是分类精确度(acc)、精确率(precision) 和召回率(recall)，三者分别从不同角度对零样本学习性能进行评价。
以分类任务为例，给出四类分类结果的符号表示，正确预测正样本(TruePositive,TP)、错误预测正样本(False Positive,FP)、正确预测负样本(True Negative, TN)、错误预测负样本(False Negative, FN)。
零样本分类特征提取算法 样本的特征提取是整个模式识别学科中的基础，可以说，分类、回归等问题是建立在样 本特征的基础上，特征提取重要性不言而喻。
5. 工作计划
第1-2周：结合任务书，熟悉要求，查询资料，完成开题报告及文献综述；第3-5周：结合课题要求，学习相关知识，整理工作思路，确定工作目标，完成课题任务的技术准备；第6-9周：选择算法，对其进行分析学习完善，完成软件原型；第10-12周：完善软件原型并进行测试，整理资料，准备攥写毕设论文；第13-15周：攥写毕业设计论文，准备答辩。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
