基于视频语义分割技术的实时裂纹识别算法开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述一、相关技术背景1.图像语义分割近年来，深度学习技术的快速发展为语义分割研究领域注入了新鲜血液，使得优秀的研究成果频出，取得了显著的突破。

语义分割作为计算机视觉领域的一大类任务，通常是指通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。

语义分割技术具有诸多应用场景，例如自动驾驶汽车、机器人技术、医学图像分析以及损伤识别等。

2. 研究的基本内容、问题解决措施及方案

研究和解决的问题：如何改进现有的图像语义分割神经网络的的骨干特征提取子网络？如何在仅有少部分带有标记的航空发动机裂纹图像分割数据集、路面裂纹图像分割数据集、航空发动机裂纹视频分割数据集上训练设计好的神经网络？如何充分利用航空发动机损伤数据集中的未标记数据？如何根据任务规模和难度调整网络的规模和参数数量？如何权衡性能和计算量以及内存消耗？如何设计损失函数，选用合适的优化策略，更快更好地训练网络？拟采用的研究途径：1.学习efficientdet的策略，抓住影响网络性能的最关键因网络的宽度、网络的深度、输入图像的分辨率，设计好的损失函数，尝试尽力逼近最优解。

2.使用传统的数据增强策略诸如仿射变换、旋转、剪切等，以及近年来兴起的mixup策略和advprop策略充分利用现有的带标记数据。

3.学习gan的思想和损失函数设计策略，尝试训练判决器，将图像语义分割网络作为生成器，让判决器对生成器对未标记的数据图像的处理结果进行评判，实现半监督学习。