1. 毕业设计（论文）主要内容：

由于通常情况下都不会拥有大量的数据，所以如果从随机初始化网络参数开始训练一个全新的网络就会由于训练样本不足而出现过拟合现象。

为了改善这种现象，迁移学习将会是不错的选择。

本文将采用参数预初始化的方式进行迁移学习，将大量数据集上训练好的网络参数作为自己网络参数的初始化参数进行训练，具有很好的实际应用价值。

2. 毕业设计（论文）主要任务及要求

1. 学习机器学习的基本知识；
2. 学习迁移学习的框架及适用场景模型；
3. 实现迁移学习框架的实际性能测试；
4. 查阅参考文献15篇以上（其中近五年外文文献不少于3篇）；
5. 完成不少于12000字的毕业论文撰写并完成答辩的相关工作；
6. 完成不低于5000汉字（20000英文印刷符）的教师指定的相关文献的英译汉翻译；
7. 完成不少于12幅图设计（包括：电路原理图、流程图、结构框图、程序框图等）。

3. 毕业设计（论文）完成任务的计划与安排

1. 第1-3周 完成题目调研，完成文献阅读，进行相关资料的收集，完成文献综述以及开题报告撰写；
2. 第4-5周 学习机器学习、迁移学习的基本知识，完成论文开题；
3. 第6-12周 完成迁移学习模型框架的搭建，撰写论文初稿；
4. 第13-15周 测试模型的实际学习性能，并针对使用过程出现的问题进行优化，完成论文修改并提交。

5. 第16周 答辩。

4. 主要参考文献

[1] Yosinski, Jason, Clune, Jeff，Bengio, Yoshua, et al.How transferable are features in deep neural networks? [J]. Advances in Neural Information Processing Systems 27, 2014.
[2] Ozbulak Gokhan，Aytar, Yusuf，Ekenel, Haz#305;m Kemal. How Transferable are CNN-based Features for Age and Gender Classification? [J]. BIOSIG, 2016.
[3] Y. Huang, Q. Wu, W. Wang, and L. Wang. Image and Sentence Matching via Semantic Concepts and Order Learning [J]. In CVPR, 2017.
[4] Y. Pan, T. Yao, H. Li, and T. Mei. Video captioning with transferred seman E2tic attributes [J]. In CVPR, 2017.