图像语义分割是通过对图像中每个像素点分类别地进行标记,使机器能够自动识别并分割出图像中的不同内容.目前全卷积网络进行图像语义分割时,池化层使感受野增大,造成图像空间尺度信息丢失.使用空洞卷积神经网络对图像语义进行分割,能够消除池化层带来的减小图像尺寸问题,保持图像空间维度信息。

在语义分割领域，空洞卷积是调整卷积核感受野和DCNN feature map分辨率的有力工具。应用不同sample rate的空洞卷积以级联或者平行的方式来处理分割任务中的多尺寸问题。另外，增强了ASPP使其在图像级编码global context来生成卷积特征。

技术要求：

1. 将DCNN应用于ASPP，不同尺寸的图片在对应网络层中特征更加明显。

2.encoder-decoder结构，利用encoder中的多尺度特征，在decoder中恢复为原图尺寸。 

3.添加一个模块级联在DCNN的顶部，用于捕捉远距离像素之间的信息（有使用Dense CRF或者级联基层卷积层）。 

4. ASPP具有不同的rate和感受野，可以捕获不同尺寸目标物的信息。

成果形式：

   DeepLabv3系统利用空洞卷积，以及上采样卷积核提取密度图像特征，并且获取长距离的信息。特别的，可以处理多尺度目标的信息，提出的cascade空洞卷积逐渐的加倍空洞值，而且ASPP中添加image-level features ，以及不同的rates值。提交完整的毕业论文，以及其他材料。

2022-2023学年第一学期18-20周：

查找资料，掌握基于空洞卷积的图像语义分割基本知识，包括梯度下降法、CNN网络结构、训练及测试方法等，学会用Python语言编程，学习使用Tensorflow或Pytorch搭建神经网络模型，完成开题报告。

2022-2023学年第二学期1-4周：

研究空洞卷积的图像语义，以及回归分析的相关优化知识，提出初步方案

2022-2023学年第二学期5-7周：

根据空洞卷积的图像语义分析结构并开始编写代码，准备中期检查，初步完成英文翻译。

2022-2023学年第二学期8-12周：

继续编写代码，并使用数据集训练网络参数，分析网络性能及参数，完成空洞卷积图像语义分割研究测试。

2022-2023学年第二学期13-15周：

总结和整理研究内容与结果，完成论文定稿及答辩准备工作。