基于深度学习的图像语义分割方法综述

论文摘要

近年来,深度学习技术已经广泛应用到图像语义分割领域.主要对基于深度学习的图像语义分割的经典方法与研究现状进行分类、梳理和总结.根据分割特点和处理粒度的不同,将基于深度学习的图像语义分割方法分为基于区域分类的图像语义分割方法和基于像素分类的图像语义分割方法.把基于像素分类的图像语义分割方法进一步细分为全监督学习图像语义分割方法和弱监督学习图像语义分割方法.对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想和优缺点,系统地阐述了深度学习对图像语义分割领域的贡献.对图像语义分割相关实验进行了分析对比,并介绍了图像语义分割实验中常用公共数据集和性能评价指标.最后,预测并分析总结了该领域未来可能的研究方向及相应的发展趋势.

论文目录

• 1 相关背景及早期研究介绍
• 2 基于区域分类的图像语义分割方法
•   2.1 基于候选区域的方法
•   2.2 基于分割掩膜的方法
• 3 基于像素分类的图像语义分割方法
•   3.1 全监督学习图像语义分割方法
•     3.1.1 基于FCN的方法
•     3.1.2 基于优化卷积结构的方法
•     3.1.3 基于编码器-解码器的方法
•     3.1.4 基于概率图模型的方法
•     3.1.5 基于特征融合的方法
•     3.1.6 基于RNN的方法
•     3.1.7 基于GAN的方法
•   3.2 弱监督学习图像语义分割方法
•     3.2.1 基于边框级标注的方法
•     3.2.2 基于涂鸦级标注的方法
•     3.2.3 基于图像级标注的方法
•     3.2.4 多种弱标注数据混合的方法
• 4 图像语义分割实验分析与对比
•   4.1 常用公共数据集
•   4.2 实验性能评价指标
•   4.3 实验结果分析与对比
•     4.3.1 ISSbRC方法的实验对比分析
•     4.3.2 ISSbFSL方法的实验对比分析
•     4.3.3 ISSbWSL方法的实验对比分析
• 5 总结与展望

文章来源

类型: 期刊论文

作者: 田萱,王亮,丁琪

关键词: 图像语义分割,深度学习,像素分类,全监督学习,弱监督学习

来源: 软件学报 2019年02期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 北京林业大学信息学院

基金: 中央高校基本科研业务费专项资金(TD2014-02)~~

分类号: TP391.41;TP181

DOI: 10.13328/j.cnki.jos.005659

页码: 440-468

总页数: 29

文件大小: 3132K

下载量: 3662