答辩教室坐着几位老师。学生站在讲台上。他打开电脑。投影幕布显示出毕业论文的标题。标题是关于一个图像识别系统的设计。学生开始介绍自己的论文。

他讲了为什么要做这个题目。现在很多地方需要图像识别。比如停车场识别车牌。比如工厂检查产品质量。他的系统想提高识别的速度。同时保证准确度。他介绍了系统的原理。使用了卷积神经网络。这是一种模仿人眼工作方式的方法。他展示了系统的结构图。有输入层。有卷积层。有池化层。有全连接层。他解释了每一层的作用。输入层负责接收图片。卷积层负责提取特征。比如边缘、颜色。池化层负责压缩信息。减少计算量。全连接层负责做出判断。输出最终结果。

他讲了是怎么做的。他使用了Python语言。用了TensorFlow框架。他找了公开的数据集。里面有很多猫和狗的图片。他需要训练系统区分猫和狗。他讲了训练过程。先把图片喂给系统。系统给出一个答案。答案不对就调整内部参数。反复进行很多次。他展示了训练结果的图表。横坐标是训练次数。纵坐标是准确率。随着训练次数增加。准确率曲线逐渐上升。最终稳定在一个较高的数值。他对比了不同方法的准确率。自己的方法比传统方法好。准确率提高了大约百分之五。

他演示了系统的实际运行。他现场拍了一张猫的照片。上传到系统。系统很快显示出结果。“这是一只猫。”他又换了一张狗的照片。系统显示“这是一只狗。”演示过程很顺利。没有出现错误。老师们看着演示。有的老师点头。

接下来是老师提问时间。第一位老师问了问题。老师问训练数据不够怎么办。如果只有几百张图片。系统效果会不会变差。学生回答数据不够确实影响效果。他提出了一些解决办法。可以用数据增强。比如把图片旋转。缩放。改变亮度。这样一张图能变出很多张。还可以用迁移学习。用别人训练好的模型。在此基础上进行微调。这样不需要太多数据。老师听了表示同意。

第二位老师问了另一个问题。老师问系统能不能识别其他物体。比如汽车和自行车。学生回答可以。但需要重新训练。要准备汽车和自行车的图片。训练过程和猫狗类似。系统的结构不需要大改。只需要改最后的输出类别。老师问训练时间要多久。学生回答取决于图片数量。如果有一万张图片。用他的电脑大概需要十个小时。老师记下了这个回答。

第三位老师问了技术细节。老师问为什么选择这种网络结构。有没有考虑更深的网络。学生回答他试过更深的网络。比如ResNet。效果确实更好一点。但训练时间太长。他的电脑跑起来很慢。综合考虑选择了现在的结构。平衡了速度和精度。老师问系统在实际环境中的表现。学生承认实际环境更复杂。光线变化。角度变化。遮挡都会影响识别。他的实验是在理想条件下做的。实际应用还需要更多改进。比如加入更多样的训练数据。让系统适应复杂情况。

第四位老师问了论文写作的问题。老师指出参考文献的格式有几处错误。有的作者名字写错了。有的页码缺失。学生承认这是疏忽。写的时候没有仔细检查。回去会立刻修改。老师还问了论文中一章的内容安排。觉得逻辑可以更清楚。学生表示接受建议。会重新调整那部分的叙述顺序。

第五位老师问了一个应用问题。老师问这个系统如果用在医院识别X光片。需要注意什么。学生想了想回答。医疗图像要求极高。不能出错。系统必须非常准确。需要大量专业的医疗数据训练。还需要医生参与评估。系统只能作为辅助工具。不能完全代替医生。老师对他的回答表示满意。

提问环节结束了。老师们让学生暂时离开教室。他们需要讨论一下。学生在教室外面等待。他有点紧张。他看着走廊。其他答辩的学生也在等待。有人小声讨论刚才的问题。过了大约十五分钟。学生被叫回教室。

答辩组长宣布了结果。老师们认为学生的论文工作达到本科毕业要求。论文内容完整。实验设计合理。演示成功。回答问题基本正确。论文通过答辩。需要按照老师意见修改后提交最终版。学生松了一口气。他向老师们鞠躬感谢。答辩结束了。学生收拾好自己的电脑和论文。离开了教室。

整个答辩过程大约四十分钟。学生准备了很久的论文。得到了老师的认可。他需要回去修改格式错误。调整部分章节。然后提交给学校。这就是一次计算机专业毕业论文答辩的记录。从展示到提问到通过。过程简单直接。学生完成了毕业前最重要的一项任务。