1.目的及意义

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。

在视觉领域中的图像理解关键在于将一个整体场景分解成几个单独的实体，这有助于我们推理视觉目标的不同行为。虽然现阶段较为成熟的目标检测方法可以帮助我们绘制某些确定实体的边框，但我们人类对场景的理解能以像素级的精细程度对每一个实体进行检测并标记精确的边界，所以与图像分类或目标检测相比，语义分割能够使我们深入理解图像内容极其周围环境，从而对视觉场景有完整的了解。这种了解在诸如自动驾驶、机器人以及图像搜索引擎等技术领域都是基石性的，因此精确分割视觉图像中的实体变得越来越重要。但是现阶段的语意分割模型都大部分集中于对汽车自动驾驶环境的分割与识别，而对于航道领域的模型则较少提及，所以本次毕业设计的目的也在于构建适用于航道的语意分割数据集以及相应的语意分割模型。

1.2国内外研究现状

卷积神经网络发展的起点是诞生于1989年的基于神经认知机模型的卷积神经网络模型 Lecun。虽然在1998年 Lecun的发明者YanLeCun实现了完整的手写数字图像识别神经网络模型 Lenet，使得神经网络在图像识别领域中达到工业级的应用，但由于当时的硬件设备条件以及数据量不足以支撑更高级的神经网络实现更为复杂的应用，随后卷积神经网络的锋芒逐渐被SVM等手工设计的特征的分类器盖过。不过随着ReLU和 Dropout等数据训练方法的提出，以及Nvidia GPU和大数据带来的历史机遇，卷积神经网络在2012年迎来了历史性突破。在当年的ImageNet比赛上，来自多伦多大学的团队用基于卷积神经网络的Alexnet模型把ImageNet数据集图像识别准确率从75%提高到了85%，从此引发了新一轮基于深度学习的人工智能热浪。

继Alexnet之后现阶段的卷积神经网络演化过程主要有4个演化方向：一个是网络加深，二是增强卷积层的功能，三是从分类任务到检测任务，四是增加新的功能模块。网络加深的代表有2014年VGGNet，其深度可达到16-19层。将原来的线性卷积层变为多层感知卷积层、将全连接层改进为全局平均池化层的GoogleNet和借助残差函数F(x)=H(x)-x理念解决梯度消失与梯度爆炸的ResNet则是增强卷积层功能神经网络的突出代表。从分类任务到检测任务这个演化方向经历了从RCNN到 Fast RCNN，再到 Faster RCNN的演化。RCNN可以看作是 Region Proposal Networks和CNN结合的力作，但它的主要缺点是重复计算，因为其最后建议的区域有几千个，且多数都是互相重叠的，重叠的部分会被多次重复提取特性，导致计算效率不佳。Fast RCNN是RCNN的加速版本，将最后建议的区域映射到CNN的最后一个卷积层的特征映射上，这样一张图片只需要提取一次特征，大大提高了速度。但 Fast RCNN的速度瓶颈在RPN上。此外， Fast RCNN支持多类物体的同时检测，其行人与车辆检测技术就是汽车高级辅助驾驶系统的关键技术之一。增加新的功能模块这个演化方向主要涉及FCN反卷积、STNet、CNN与RNN/LSTM的混合架构等。

现阶段语意分割模型都基于深度神经网络，其最大的特点在于特征提取与分类被整合到了一个单独的神经网络之中。并且随着网络结构的加深，它可以提取到物体的深层高级别特征。当下流行的模型架构主要应用全卷积网络架构实现任意大小图像的输入处理以便以原比例保持图像的基本特征，以及应用FCN反卷积与SegNet中的编码解码器思想结合整体图像中上下文语意信息，使得分割精度与识别准确度进一步提高。而随着自动驾驶与机器人等对场景语意分割实时性要求的提高，基于实时系统的语意分割模型如由香港中文大学贾佳亚教授所带领团队构建的ICNet等深度学习语意分割模型也相继被提出。

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