1. 毕业设计（论文）的内容和要求

随着计算机硬件和人工智能技术的发展，计算机视觉技术被广泛应用在各个领域，其中人脸识别检索作为计算机视觉技术的一个重要方向，也有了突破性的进展。

目前，人脸识别检索在现实生活中已被广泛应用，如身份认证、网络支付、公共安全监控、影像追踪等。

伴随深度学习技术的突破发展，人脸识别检索技术 逐渐从传统的机器学习转变为深度学习。

2. 参考文献

[1] A. Krizhevsky, I. Sutskever, and G. E. Hinton. ImageNet classi#64257;cation with deep convolutional neural networks[J]. In NIPS, pages 1106#8211;1114, 2012. [2] 迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01) [3] 石祥滨, 房雪键, 张德园, et al. 基于深度学习混合模型迁移学习的图像分类[J]. 系统仿真学报, 2016, 28(1):167-173. [4] Shi X , Fang X , Zhang D , et al. Image classification based on mixed deep learning model transfer learning[J]. Journal of System Simulation, 2016. [5] 宋光慧. 基于迁移学习与深度卷积特征的图像标注方法研究[D]. 2017. [6] 谢宝剑. 基于卷积神经网络的图像分类方法研究[D]. 2015. [7] 周德懋,李舟军.高性能网络爬虫：研究综述[J].计算机科学,2009,36(8):26-29. [8] 王华利, 邹俊忠, 张见, et al. 基于深度卷积神经网络的快速图像分类算法[J]. 计算机工程与应用, 2017(13):186-193. [9] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105. [10] 李巧玲, 关晴骁, 赵险峰. 基于卷积神经网络的图像生成方式分类方法[J]. 网络与信息安全学报, 2016, 2(9):40-48. [11] 段萌 , 王功鹏 , 牛常勇 . 基于卷积神经网络的小样本图像识别方法[J]. 计算机工程与设计, 2018. [12] 孙立伟,何国辉,吴礼发.网络爬虫技术的研究[J].电脑知识与技术,2010(15):4112-4115. [13] 郭丽蓉.基于Python的网络爬虫程序设计[J].电子技术与软件工程,2017(23):248-249. [14] Abas, M.A.H., Ismail, N., Yassin, A.I.M., Taib, M.N. VGG16 for plant image classification with transfer learning and data augmentation[J]. In International Journal of Engineering and Technology(UAE) Volume 7, Issue 4, 2018, Pages 90-94 [15] Shaha, Manali ; Pawar, Meenakshi. Transfer Learning for Image Classification[J]. 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA), 29-31 March 2018 [16] Hajba, G#225;bor L#225;szl#243;. Website Scraping with Python: Using BeautifulSoup and Scrapy. 2018. [17] Richardson L. Beautiful soup documentation[J]. 2007. [18] 熊畅. 基于 Python 爬虫技术的网页数据抓取与分析研究[J]. 数字技术与应用, 2017 (9): 35-36. [19] 白雪丽. 浅析基于 Python 爬虫技术的特性及应用[J]. 山西科技, 2018, 33(2): 53-55. [20] Canziani A, Paszke A, Culurciello E. An analysis of deep neural network models for practical applications[J]. arXiv preprint arXiv:1605.07678, 2016. [21] Hoo-Chang S, Roth H R, Gao M, et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning[J]. IEEE transactions on medical imaging, 2016, 35(5): 1285. [22] Chan T H, Jia K, Gao S, et al. PCANet: A simple deep learning baseline for image classification?[J]. IEEE Transactions on Image Processing, 2015, 24(12): 5017-5032.

3. 毕业设计（论文）进程安排

起讫日期 设计（论文）各阶段工作内容 备 注 2018.12.22 确定题目 2018.12.22-2019.1.11 查阅参考文献，了解课题要求，完成开题报告 完成英文翻译 2019.1.11-2019.3.1 继续查阅文献，按照需求设计算法流程图以及关于算法的初步想法 2019.3.1-2019.4.15 完成算法的雏形 2019.4.15-2019.5.15 完善算法的实现以及其他 2019.5.15-2019.5.19 完成各算法的测试 2019.5.20-2019.5.26 完成配准算法的调试工作，并着手毕业论文（设计）的撰写工作 2019.5.27-2019.6.9 完成论文的初稿，并通过电子邮件发给指导老师初审 2019.6.10-2019.6.12 按指导老师意见修改论文并定稿打印装订 递交论文和英文翻译 2019.6.13- 准备毕业论文的答辩,包括答辩演示文稿等