【Semantic Segmentation】语义分割综述

【Semantic Segmentation】语义分割综述

metric 为mIOU

year	method	PASCAL VOC 2012	PASCAL Context	Cityscapes	ADE20K
2019	HRNet		54.0%	83.7%
2019	EMANet	88.2%
2019	DUpsampling		52.9%
2019	DANet	80.4%	52.6%	81.5%
2019	Gated-SCNN			82.8%
2019	DenseASPP			80.6%
2019	Auto-DeepLab	84.6%
2019	FastFCN		53.13%		55.84%
2018	DeepLabv3+	89% / 87.8%		82.1%
2018	CCNet			81.3%
2018	SDCNetAug			83.5%
2018	DFN	86.2%		80.3%
2018	BiSeNet			78.9%
2018	ShelfNet		48.4%	75.8%
2018	ExFuse	87.9%
2018	DPC	87.9%
2018	EncNet	85.9%	51.7%
2018	DeeplabV2 + Lovász-Softmax	79.0%
2017	DeepLabV3	86.9%
2017	TuSimple	83.1%
2017	GCN	82.2%		77.4%
2016	RefineNet	84.2%	47.3%
2016	DeepLabV2		45.7%	70.4%
2016	PSPNet	85.4%		81.2%
2016	FCN	67.2%	37.8%	65.3%
20

语义分割是指对图像中的每一个像素分配一个类别。
单独一个像素并没有特殊的含义，必须将其放置在上下文中才能识别像素的类别。
我们要增大感受野必然要将feature map 缩小，最后必然要将feature map还原到原图大小。
而语言分割核心的问题就是在于大的特征图和大的感受野之间的冲突。
同时，由于要分割的目标具有多尺度的特性，大的物体往往可以很好的分割，但是小的物体不明显，不具有分割的尺度。
多尺度是目标检测和分割都存在的问题。

以下就从历史发展情况，总结一下各个阶段的sota论文。
语义分割问题总体来说还可以细分为三个大方向。
数据：
长尾数据集问题，半监督，非监督，few shot, zero shot , domain transform，NAS。
模型：
基本上可以分为encoder和decoder结构，特征金子塔模型，空洞卷积模型，注意力模型，3D语义分割等。
优化：
loss选择，边缘模糊。

通用的一些trick 比如说 优化器，LR 设置，防止过拟合等应该会写一篇单独的blog来讲。

---

一个blog图太多，加载太慢了，分割一下。

【Semantic Segmentation】语义分割综述 – Encoder And Decoder

【Semantic Segmentation】语义分割综述 – Pyramid & Multi-Path

【Semantic Segmentation】语义分割综述 – Atrous Convolution

【Semantic Segmentation】语义分割综述 – Attention

【Semantic Segmentation】语义分割综述 – Faster

【Semantic Segmentation】语义分割综述 – Semi-supervised

【Semantic Segmentation】语义分割综述 – NAS

【Semantic Segmentation】语义分割综述 – 3D

---

语义分割论文集 https://www.aiuai.cn/aifarm62.html

other paper

[ExFuse] Enhancing Feature Fusion for Semantic Segmentation

[DPC] Searching for Efficient Multi-Scale Architectures for Dense Image Prediction

[TuSimple] Understanding Convolution for Semantic Segmentation

[HRNet] Deep High-Resolution Representation Learning for Visual Recognition (CVPR 2019)

[DUpsampling] Decoders Matter for Semantic Segmentation: Data-Dependent Decoding Enables Flexible Feature Aggregation (CVPR 2019)

[SDCNetAug] Improving Semantic Segmentation via Video Propagation and Label Relaxation

[Gated-SCNN] Gated Shape CNNs for Semantic Segmentation (CVPR 2019)

[DFN] Learning a Discriminative Feature Network for Semantic Segmentation (CVPR 2018)

https://arxiv.org/abs/1804.09337