深度学习下的图像分割

在之前写的文章[图像分割演进之路]中，讲述了图像分割的发展历程，从传统图像分割算法到人工智能，分割算法百花齐放，但最终的佼佼者当属人工智能，但即使是人工智能领域，图像分割也五花八门，今天就让我们看几种基于学习的图像分割方法。

基于学习的图像分割算法主要依赖于深度神经网络，经典的深度神经网络分为如下几种：

2.1卷积神经网络CNN：

卷积神经网络是图像处理领域应用最为广泛的网络，其权值共享，局部连接等特性使得CNN易于训练，参数量小。

2.2循环神经网络RNN：

主要用来处理时序数据，例如语音，文本，视频等，但原始版本的RNN存在不能捕获长程依赖缺陷，直到后来LSTM，Transformer的出现才得以解决。

2.3编码器-解码器和自编码器模型：

编码器类似PCA主成分分析，能提取数据的精髓，将输入数据映射到潜在的特征空间，解码器再将潜在空间特征映射到输出，实现序列到序列的转换，例如，NLP中的语言翻译，CV领域的图像翻译等。