深度学习背景下的图像语义分割方法综述

• 全文链接
• 请求原文

作   者：

严毅;  邓超;  李琳;  朱凌坤;  叶彪; 

作者机构：

武汉科技大学计算机科学与技术学院;  武汉理工大学交通与物流工程学院;  武汉科技大学汽车与交通工程学院; 

关键词：

监督学习;  深度学习;  图像语义分割(ISS);  卷积神经网络(CNN);  DeepLab-V3+网络; 

期刊名称：

中国图象图形学报

i s s n：

1006-8961

年卷期：

2023 年 28 卷 011 期

页   码：

3342-3362

摘   要：

语义分割任务是很多计算机视觉任务的前提与基础,在虚拟现实、无人驾驶等领域具有重要的应用价值.随着深度学习技术的快速发展,尤其是卷积神经网络(convolutional neural network,CNN)的出现,使得图像语义分割取得了长足的进步.首先,本文介绍了语义分割概念、相关背景和语义分割基本处理流程.然后,总结开源的2D、2.5D、3D数据集和其相适应的分割方法,详细描述了不同网络的分割特点、优缺点及分割精确度,得出监督学习是有效的训练方式.同时,介绍了权威的算法性能评价指标,根据不同方法的侧重点,对各个分割方法的相关实验进行了对比分析,指出了目前实验方面整体存在的问题,其中,DeepLab-V3+网络在分割精确度和速度方面都具有良好的性能,应用价值较高.在此基础上,本文针对国内外的研究现状,提出了当前面临的几点挑战和未来可能的研究方向.通过总结与分析,能够为相关研究人员进行图像语义分割相关研究提供参考.