1. 毕业设计（论文）主要目标：
(1)深入理解卷积神经网络深度学习算法,包括设计原理,算法实现,公共数据实验等
(2)卷积神经网络局部结构进行改进
(3)卷积神经网络网络结构进行改进
2. 毕业设计（论文）主要内容：
(1)理解CNNs深度学习算法的设计原理,熟悉其主要的应用场景;
(2)编码实现CNNs深度学习算法;
(3)基于公共数据平台,做大量的实验,记录整理实验数据;
3. 主要参考文献
Lecun于1989年发表了《Backpropagation Applied to Handwritten Zip Code》,是CNNs的第一个网络设计实现者,但CNNs在此之前经历了漫长的发展过程,普遍认为CNNs的概念是Neocogniron在1980年的这篇论文《1980-Fukushima-Neocognitron A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position》中所提出来的.
总结一下CNNs最初发展过程的代表性论文:1962年,Hubel和Wiesel,猫的视觉系统研究;1975年,Kunihiko Fukishima(福岛邦彦）,Cognitron;1980年,Kunihiko Fukishima(福岛邦彦）,Neocognitron;1989年,Lecun,《Generalization and Netwoek Design Strategies》、《Backpropagation Applied to Handwritten Zip Code》;1998年,Lecun,《Gradient-Based Learning Applied to Document Recognition》,LeNet-5的提出;2006年,Jake Bouvrie,Notes on Convolutional Neural Networks;2012年,Alex,《Imagenet classification with deep convolutional neural networks》.
之后的人们对其进行完善的代表性论文:[1]Karen Simonyan,Andrew Zisserman:Very Deep Convolutional Networks for Large-Scale Image Recognition.CoRR abs/1409.1556(2014)[2]Christian Szegedy,Wei Liu,Yangqing Jia,Pierre Sermanet,Scott E. Reed,Dragomir Anguelov, Dumitru Erhan,Vincent Vanhoucke,Andrew Rabinovich:Going deeper with convolutions.CVPR 2015: 1-9[3]Kaiming He,Xiangyu Zhang,Shaoqing Ren,and Jian Sun.Deep Residual Learning for Image Recognition.IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
