毕业论文移动版

摘要随着科技的进步以及智能手机的普及，人们逐渐养成了随时随地使用手机拍摄、分享图片的习惯。这促使了互联网中照片数量与日俱增。为了有效地管理海量图像数据，自动为图片分配相关标签的标签推荐方法引起了特别的研究兴趣。为此，本文提出了基于深度学习的图像标签推荐算法。采用深度学习中的卷积神经网络对图像的视觉内容进行分析，将图像标签推荐转化为图像分类问题，以图像的类别信息作为图像的推荐标签。然后，本文在基于深度学习的图像标签推荐算法的基础上，搭建并实现了图像标签推荐系统。该系统由服务器端以及基于Android系统的移动端程序组成。用户在移动端上传图片至服务器，服务器端处理图片，并将生成的推荐标签返回至移动端。最后，经过测试表明，该系统基本满足用户的需求。82600

毕业论文关键词  图像标签推荐；深度学习；卷积神经网络

毕业设计说明书外文摘要

Title    Image Tag Recommendation System for Mobile Devices                                         

Abstract With the progress of science and the popularity of smart phones, people gradually form the habit of using smart phones to take and share pictures anytime and anywhere。 This caused an increase in the number of photos on the Internet。 In order to effectively manage the massive image data, tag recommendation by automatically to images draws particular research interest。 To this end, we propose an algorithm for image tag recommendation based on deep learning。 The visual content of the image is analyzed by the convolution neural network in depth study, and we translate the image tag recommendation problem into image classification problem, and the category information of the image is used as the tags of the image。 Then, based on the realization of the image tag recommendation algorithm, we build and realize the image tag recommendation system。 This system is composed of the server side and the mobile terminal based on Android system。 Users upload pictures to the server in the mobile terminal。 Server program processes the image and generates the recommended tags。 The recommended tags are returned to the mobile terminal。 Finally, we test the system and the result shows that the system basically meets the needs of users。

Keywords  image tag recommendation; deep learning; convolutional neural network

目   次

1   引言 1

1。1 图像标签推荐技术研究现状 1

1。2 深度学习的概念与发展 1

1。3 论文结构简述 3

2   卷积神经网络 4

2。1 神经网络 4

2。2 卷积神经网络结构和工作流程 6

2。3 卷积层 6

2。4 池化层 8

2。5 全连接层 9

2。6 分类层 9

2。7 本章小结 10

3   图像标签推荐算法的实现 11

3。1 VGG16模型 11

3。2 Keras框架 11

3。3 卷积神经网络的配置 11

3。4 测试结果并分析 (责任编辑：qin)