基于深度学习的航道环境语义分割技术研究开题报告

全文总字数：5497字

1. 研究目的与意义（文献综述）

1.目的及意义（含国内外的研究现状分析）

1.1研究目的与意义

当今时代，深度学习背景下的人工智能开始引领各行各业的发展，计算机视觉作为人工智能最直接的应用领域，已成为当前的研究热点。随着深度学习理论的不断创新和发展以及硬件水平的提升，基于深度学习的图像识别、图像检测和图像语义分割技术正在逐渐取代传统基于人工设计的方案。其中深度学习常用的算法模型卷积神经网络开始变得实用化，卷积神经网络的出现极大地推动了计算机视觉领域的发展。其中，图像语义分割是计算机视觉中的基本任务，也是实现计算机图像理解的重要部分。在语义分割中我们需要将视觉输入分为不同的语义可解释类别，而其中的“语义的可解释性”即要求所分类的类别在现实世界中是有具体意义的。

2. 研究的基本内容与方案

2.研究的基本内容、目标、拟采用的技术方案及措施

2.1研究内容与目标

在当前计算机视觉领域中，端到端的图像分类、目标检测以及语意分割的神经网络模型一般都借助标注数据集来进行模型参数的训练，让构建的模型通过不断学习样本数据从而使模型达到对数据样本的抽象理解。在本次毕业设计中，也将构建或扩充基于航道环境标注的语意分割数据集，让搭建的语意分割模型能够对航道场景的分割与识别的准确率进一步提升。在模型程序的搭建中，尝试以基于全卷积形式、动态残差结构与语意上下文信息相结合的神经网络模型实现整体的程序架构，并尝试优化神经网络层次结构，更完善地结合动态残差结构模块与上采样层语意上下文信息结合模块，最终构建并训练出完善的航道环境语意分割模型。

3. 研究计划与安排

3.进度安排

（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：熟悉掌握深度学习基本理论，完成英文资料的翻译，熟悉tensorflow框架的使用。

4. 参考文献（12篇以上）

4.参考文献

[1]王若辰.基于深度学习的目标检测与分割算法研究[d].北京工业大学,2016.

[2]郭继舜.面向自动驾驶的语义分割和目标检测技术[d].电子科技大学,2018.