1. 毕业设计（论文）主要内容：
图像语意分割是对图像进行自然、满足视觉一致性的图像分割。 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。GAN的思想是一种二人零和博弈思想(two-player game)，生成网络希望生成的数据可以骗过判别网络，判别网络通过比较生成数据与实际数据的差异来进行优化。
本文希望在学习和掌握ＧＡＮ的原理的基础上，实现一个ＧＡＮ网络，通过对图像数据的训练，并在公开数据集上进行测试效果，实现对任意图像语意修复。希望对深度学习、生成对抗网络和图像处理有兴趣的同学选题。
2. 毕业设计（论文）主要任务及要求
1、查阅不少于15篇的相关资料，其中英文文献不少于3篇，完成开题报告。2、完成不少于5000字的英文文献翻译工作。3、收集相关的原始数据，并进行数据的预处理工作。4、完成毕业设计（论文）阶段性报告，完成任务书和中期情况检查表等任务。5、完成不少于12000字的研究论文。
3. 毕业设计（论文）完成任务的计划与安排
1-3周：查阅文献，完成开题报告4-6周：总体设计，完成论文综述7-10周：设计算法，功能模块设计11-13周：编码和测试14-15周：写论文，提交初稿，给老师检查，修改定稿，答辩。
4. 主要参考文献
１.Goodfellow Ian, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680.２.Denton E L, Chintala S, Fergus R. Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks[C]//Advances in neural information processing systems. 2015: 1486-1494.３.Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.
4.RAYMOND A, CHEN CH, LIM T Y,et.al. Semantic image inpainting withdeep generative models[C]. CVPR 2017, Honolulu, Hawaii, 5485-5493.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
