一、简介
近十年来计算机科学与大数据的结合与发展，将计算机图形学从传统的统计学方法升华到基于深度学习、人工智能的大数据分析方法。大数据技术是以数据为本质的新一代革命性的信息技术，在数据挖潜过程中，能够带动理念、模式、技术及应用实践的创新。
图像作为互联网多媒体数据中的一种主要形式，拥有很好的研究及实用价值。图像中重要的是目标物，对图像中的目标物进行检测，作为图像理解的基础，拥有不可替代的作用。
目前流行的人脸检测技术可以作为目标检测的特例，它的作用不仅可以检测图像中的人脸，还可以检测其它任意目标。图像目标检测任务拥有重要的价值，比如图像语义理解、图像文本生成、图像裁剪、目标物检测、视频中目标物跟踪等，在国际顶会中，受到研究学者们的重视。
本项目着重研究互联网中图像数据的目标实体检测，通过深度学习方法在图像数据上学习，识别不同形状、不同大小、不同朝向的实体。对图像进行深度地卷积操作提取图像的语义特征，通过目前流行的Faster R-CNN 网络，使用在ImageNet 预训练的模型，对图像中的可能是目标的区域进行检测，并识别目标的类别。不仅如此，本项目还指导学生利用此网络框架来重新训练一个“新目标”的识别算法，利用算法来检测出新目标的位置。
本项目为计划申请计算机、人工智能、深度学习、图像学、图形学、自然语言理解、目标检测、软件工程等专业的学生所设计。通过本课程深入浅出的指导，同学们不仅可以掌握最前沿的图像领域相关的深度学习知识，同时可以掌握Python 及MXNet 的编程技巧，最后通过完成一次图像目标物检测的大作业，让学生们亲自搭建一个基于深度学习框架的自动目标物检测服务。实习结束后，导师会根据学生表现出具推荐信。
二、内容
本项目属于互联网中数字图像目标物检测课题，主要研究在互联网大数据中提取数字图像中的有用特征，基于神经网络利用这些特征学习不同目标物的语义模式，训练好的模型可用于新图像中的目标物检测与识别工作。这些能力在学术界和工业界都得到了重视，包括针对该问题提出来的各种深度神经网络及改进方案（Faster R-CNN，FPN，NAS-FPN）。在工业界领域，也有使用图像目标检测技术对图像进行理解，生成有意义的文字信息，吸引用户消费。
指导老师将面对面悉心指导，深入浅出地介绍复杂的深度学习知识、图像学、目标检测技术，结合这些知识搭建一个自动检测并识别图像中目标物的服务平台。手把手地指导学生进行代码实现，带领学生通过对问题本质的分析、再到方法的实现，最后到完成代码的展示。实现科研过程指导，并在此过程中学习科研写作的基本方法与技巧。
三、招生对象及要求
面向计划申请人工智能、移动互联网、计算技术、软件工程、图像学、目标检测、信息处理等相关专业的高中生。为了让学生可以更好的完成科研项目，项目组会以笔试和面试的形式对学生进行筛选。
项目难度：★★☆
报名建议：对人工智能感兴趣，建议对编程语言有一定了解感兴趣的同学，本项目将采用Python 语言完成项目。
预习资料：The Python Tutorial、Deep Learning、Python 学习笔记、Fast R-CNN、深度学习目标检测等。
