1. 研究目的与意义（文献综述）

1.1 研究目的及意义

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。图像分类在很多领域有广泛应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。

一般来说，图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。在深度学习算法之前使用较多的是基于词袋(bag of words)模型的物体分类方法。词袋方法从自然语言处理中引入，即一句话可以用一个装了词的袋子表示其特征，袋子中的词为句子中的单词、短语或字。对于图像而言，词袋方法需要构建字典。最简单的词袋模型框架可以设计为底层特征抽取、特征编码、分类器设计三个过程。

2. 研究的基本内容与方案

2.1 目标（开发的系统概况描述）

本课题旨在研究采用深度学习的方法，针对已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。

2.2 基本内容

3. 研究计划与安排

第1—3周：查阅相关文献资料，明确研究内容，了解研究所需知识与各项技能。确定方案，完成开题报告，书写摘要并完成相关英文文献翻译。

第4－6周：前期可行性研究，需求分析，进行系统的初步设计。

4. 参考文献（12篇以上）

[1] bengio, yoshua,ian j. goodfellow, and aaron courville. deep learning [m]. mit press,

2015.https://github.com/hftrader/deeplearningbook/raw/master/deeplearningbook.pdf

[2] lecun, yann,yoshua bengio, and geoffrey hinton. “deep learning [j]. nature521.7553,