全文总字数：5355字
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
在过去几十年里，计算机已经改变了几乎所有的经济运作，因为机器学习的兴起，自动化的程度和速度有了迅猛的增长机器学习是一种带来巨大生产力的革命性技术。机器学习是现阶段解决很多人工智能问题的主流方法，作为一个独立的方向，正处于高速发展之中。近几年来，机器学习中的深度学习迅速成为了人工智能领域的焦点，无论是研究还是应用方面都得到了极大的发展，相关的理论成果和技术应用不断突破， NIPS、ICCV、ICML、等机器学习领域的国际学术会议也提高了对深度学习的关注程度。与此同时，深度学习的思想在学术界和企业也得到了极大地关注。随着深度学习的火热发展，以深度卷积神经网络为代表的监督学习已经在计算机视觉等领域上发挥出了巨大的作用。
然而用深度学习去解决无监督学习受到的关注却比较少，直到有人将卷积神经网络引入到生成式模型上，提出了卷积神经网络与生成对抗网络相结合的深度卷积生成对抗网络。卷积神经网络的加入使得其具有了一定的结构性约束，与传统机器学习算法相比在无监督学习的方向上展现出了更加强大的性能，拥有更好的生成效果，特别是在图像生成方面，通过合理的训练甚至可以达到以假乱真的效果。
2. 研究的基本内容与方案
在训练过程中，将生成模型和判别模型的结构与卷积神经网络相结合，生成器来获取真实数据下隐藏的潜在分布规律,然后生成与之分布相类似人造样本数据，判别器会接收一幅由生成模型生成的图像，并调整参数从而输出正确的概率，判别输入的样本是真实的数据还是生成的假的人造样本。两种模型相互对抗，调整参数，最终由生成模型生成接近真实人脸数据集celebA的人脸样本。利用anaconda与tensorflow环境对该深度卷积生成对抗模型建模，完成基于深度卷积对抗生成网络的人脸样本生成。
3. 研究计划与安排
（1）第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。
（2）第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉相关工具软件的使用。
（3）第7－9周：完成anaconda环境以及tensorflow环境的搭建
4. 参考文献（12篇以上）
[1] Roychowdhury S, Koozekanani D D, Parhi K K. Blood Ves-sel Segmentation of Fundus Images by Major Vessel Extrac-tion and Subimage Classication. IEEE Journal of Biomedical and Health Informatics, 2015, 19(3): 1118-1128
[2]Maninis K K, Ponttuset J, Arbelaez P, Gool L V.Deep Retinal Image Understanding. ar Xiv preprint ar Xiv:1609.01103, 2016
[3]Li Q, Feng B, Xie L P, Liang P, Zhang H S, Wang T F. ACross-Modality Learning Approach for Vessel Segmentationin Retinal Images. IEEE Transactions on Medical Imaging,2015, 35(1):109118.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
