深度学习、机器学习领域毕业设计选题方法及建议_深度学习毕业设计

目录

1 .机器学习、深度学习选题方向

2.毕业论文命题（选题）技巧

3. 难度把控

3 最后

1 .机器学习、深度学习选题方向

深度学习已经在语音识别、图像处理等方面取得了巨大成功。其研究方向可以大致分为以下几个域：（标黑的为常见领域）

1. 计算机视觉
    生物特征识别：人脸识别、步态识别、行人ReID、瞳孔识别等；
    图像处理：分类标注、以图搜图、场景分割、车辆车牌、OCR、AR等；
    视频分析：安防监控、智慧城市等；
2. 自然语言处理
    情感分词、实体关系抽取、知识图谱、语音识别、文本数据挖掘、文本翻译等；
3. 数据挖掘
    消费习惯、天气数据、推荐系统、知识库（专家系统）等；
4. 游戏
    角色仿真、AlphaGo（强化学习）；
5. 复合应用
    线性预测、分类问题、无人驾驶、无人机、机器人等。

限于自己的兴趣爱好和上手程度，我建议大家在做该领域的毕业设计时尽量选择用机器学习、深度学习方法去解决某个领域或者生活中的一个小的问题，比如医学领域的细胞分割、自动签到等。以下为本人手动整理深度学习算法类业设计项目，完全可以作为当前较新的毕业设计题目选择方向。

基于卷积神经网络的图像风格化处理（或者残差、VGG等）
基于深度残差网络的图像修复系统设计与实现
基于纹理分析的医学图像处理
基于全卷积神经网络的医学图像分割
基于人脸识别的签到系统的设计与实现
基于LeNet-5的车牌字符识别研究
基于卷积神经网络的微博情感倾向性分析基于
基于卷积神经网络的鲜茶叶智能分选系统研究
基于卷积神经网络的车型识别
基于递归神经网络的生物医学命名实体识别
基于递归神经网络的网络流量组合预测模型
基于递归神经网络的焦化废水水质预报
基于GRU-SVR的短时交通流量预测研究
基于GRU神经网络的燃煤电站NO_x排放预测模型
电话交谈语音识别中基于LSTM-DNN语言模型的重评估方法研究
基于LSTM深度学习模型的中国电信官方微博用户情绪分析

(持续更新。。。。有些可以参考我之前的博客)

2.毕业论文命题（选题）技巧

你可能现阶段存在的问题：

1.不知道老师分配的题目应该怎么做，指导老师分享的信息不多，无从下手。

2.自己定的题目总是被老师打回去。

命题规则：基于+“什么算法(技术) “+ “（在什么场景下） + 解决了哪一类问题”+研究（与应用）

“什么算法(技术) “：首先好的论文必须要明确提出使用什么算法或者技术，因为从短短的几个字中老师就能看出你会什么东西，技术怎么样。如LSTM、IndRnn、ATT-IndRnn等；切记不要乱使用如下的题目：

• 基于深度学习的商品标签的识别与检测算法研究
• 基于深度学习的单目图像深度估计
• 基于深度学习的图像微变化检测算法研究
• 基于深度学习的文字识别与检测算法研究
• 基于深度学习的音乐分类算法研究

为什么呢？1：深度学习太广，这样老师看的不是很清楚，会误以为你是大神，如果确定了某种算法，那么老师看起来比较明晰。2.可以稍稍减少工作量。如果题目范围广，，那么在你的论文中要体现多种深度学习算法之间的结果对比等，这样在无形中就增加了你的工作量，如果你的题目是：基于ATT-IndRnn的文字识别与检测算法研究，那么在公开数据集下做实验的时候，你就只需要做与循环神经网络相关的一些模型实验，而其他方法的模型的实验结果可以直接拿来用或者忽视不做。

“（在什么场景下） + 解决了哪一类问题”：在确定这个问题的时候，你要确定在所研究或者解决的问题域中数据集好不好找，或者与之相似的数据集好不好找等。切记空想、乱想，脑袋一热就确定，一定要找相关文献、问相关同学。

研究（与应用）：如果你只想做算法的研究问题，那么命题末尾就最好是研究，如果你想让这个算法赋予实际的应用，那么一定要加上应用。

如：基于AFM模型的音乐分类算法研究；这个题目你就可以在音乐数据集尚只做算法的研究。

基于AFM模型的音乐分类算法研究与应用;这个题目你不仅需要研究算法，还要对该算法赋予实际的应用。

备注：AFM模型为Attention Factorization Machines的缩写。

3. 难度把控

普通存在的问题：(对于只要求顺利毕业的同学)定题不能定的太难，也不能定的太简单。太难了，自己做不出；太简单了，工作量不够，论文也没法写， 甚至进不了答辩。

建议：结合最新的深度学习模型，将这些方法应用到常见的领域，能够做到对该方法有所了解，且会解决生活中最常见的问题，这就基本符合毕业的要求了。那么问题来了，什么才是最新的深度学习模型呢？如：2018年以后某篇英文论文提出的某个方法，或者自己对深度学习模型进行创新组合等。那么什么是生活中最常见的问题呢？比如往年大家都做的哪个方向，大家可以接着做这个方向，因为你不用发愁数据集问题。