arXiv综述论文“Image Segmentation Using Deep Learning: A Survey”

最新推荐文章于 2024-08-08 07:34:02 发布

硅谷秋水

最新推荐文章于 2024-08-08 07:34:02 发布

阅读量3.5k

点赞数 4

分类专栏：计算机视觉

本文链接：https://blog.csdn.net/yorkhunter/article/details/104057159

版权

本文是一篇关于深度学习在图像分割领域的综述，涵盖了全卷积网络、编码器-解码器结构、多尺度方法等多种模型，讨论了它们的优势、挑战和未来研究方向。特别提到了如FCN、SegNet、Mask R-CNN等模型，并指出实时处理、模型简化和3D点云分割是未来的研究重点。

摘要由CSDN通过智能技术生成

arXiv于2020年1月15日上传图像分割综述论文“Image Segmentation Using Deep Learning: A Survey“。在这里插入图片描述
摘要：图像分割是图像处理和计算机视觉中的关键主题，其应用包括场景理解、医学图像分析、机器人感知、视频监控、增强现实和图像压缩等。已经开发了用于图像分割的各种算法。最近，由于深度学习模型在各种视觉应用中的成功，有大量工作在用深度学习模型开发图像分割方法。本次综述提供了对文献的全面回顾，涵盖了语义级和实例级分割的各种方法，包括全卷积像素标记网络、编码器-解码器体系结构、多尺度以及基于金字塔的方法、递归网络、视觉注意模型和对抗生成网络。作者研究了这些深度学习模型的相似性、优势和挑战，以及使用最广泛的数据集和方法性能，并讨论了该领域有希望的未来研究方向。

本文探讨的网络模型包括：

1）全卷积网络
2）带图模型的卷积模型
3）基于编-解码器的模型
4）基于多尺度和金字塔网络的模型
5）基于R-CNN的模型（实例分割）
6）扩展的卷积模型和DeepLab系列
7）基于递归神经网络的模型
8）基于注意力的模型
9）生成模型和对抗训练
10）具有主动轮廓（active contour）模型的卷积模型
11）其他

FCN网络模型：
在这里插入图片描述

ParseNet网络模型：

CNN+CRF模型：