分割论文2-2022综述Review the state-of-the-art technologies of semantic segmentation based on deep learning

文章的主要研究内容：

文章阐述四方面内容：

弱监督：**图像级标签、边框标注、涂鸦标注和点标注**

领域自适应：**输入级别、特征级别和输出级别**

多模态：

实时：

总结存在问题：

如何在准确性和推理速度之间达到最佳的平衡？如何探索视频和图像序列之间的时域相关性？如何提高自适应语义分割方法的性能？如何通过上下文知识来提高模型的准确性？如何探索视频和图像序列之间的时域相关性？如何提高弱监督语义分割方法的模型性能？如何解决深层结构的灾难性遗忘问题？

基于转换器的语义分割方法**尚未得到综述。**

论文摘要与结论：

摘要;

语义分割的目标是根据语义信息对输入图像进行分割，并从给定的标签集中预测每个像素的语义类别。随着现代生活的逐渐智能化，越来越多的应用需要从图像中推断相关的语义信息，进行后续处理，如增强现实、自动驾驶、视频监控等。本文综述了基于深度学习的语义分割技术。因为语义分割需要大量的像素级注释，为了减少标注的细粒度要求，降低人工标注的经济和时间成本，本文研究了弱监督语义分割的工作。为了提高分割模型的泛化能力和鲁棒性，本文研究了语义分割领域自适应的工作。许多类型的传感器通