基于深度学习的图像语义分割技术研究进展

doi:10.3778/j.issn.1002-8331.1910-0300

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (2): 18-28.DOI: 10.3778/j.issn.1002-8331.1910-0300

基于深度学习的图像语义分割技术研究进展

梁新宇，罗晨，权冀川，肖铠鸿，高伟嘉

1.陆军工程大学指挥控制工程学院，南京 210007
2.陆军工程大学通信工程学院，南京 210007
3.中国人民解放军68023部队

出版日期:2020-01-15 发布日期:2020-01-14

Research on Progress of Image Semantic Segmentation Based on Deep Learning

LIANG Xinyu, LUO Chen, QUAN Jichuan, XIAO Kaihong, GAO Weijia

1.College of Command & Control Engineering, Army Engineering University of PLA, Nanjing 210007, China
2.College of Communications Engineering, Army Engineering University of PLA, Nanjing 210007, China
3.Unit 68023 of PLA, China

Online:2020-01-15 Published:2020-01-14

摘要/Abstract

摘要： 自FCN网络在2014年提出后，SegNet、DeepLab等一系列关于图像语义分割的深度学习架构被相继提出。与传统方法相比，这些架构效果更好、运算速度更快，已经能够运用于自然图像的分割处理。围绕图像语义分割技术，对常用的数据集和典型网络架构进行了梳理分析，对2017年以来的新进展进行了综合研究，利用主流评价指标对主要模型的语义分割效果进行了比较和分析。对语义分割技术面临的挑战以及可能的发展趋势进行了展望。

关键词: 深度学习, 图像分割, 语义分割

Abstract: Since the FCN network was proposed in 2014, a series of deep learning architectures for image semantic segmentation such as SegNet and DeepLab have been proposed. Compared with the traditional methods, these architectures are better and faster, and can be applied to the segmentation of natural images. This paper focuses on the image semantic segmentation technology. The commonly used data sets and typical network architectures are analyzed. And a comprehensive study is conducted about the new progress since 2017. The current evaluation indicators are used to compare and analyze the semantic segmentation effects of the main models. Finally, the challenges faced by semantic segmentation technology and the possible development trends are prospected.

Key words: deep learning, image segmentation, semantic segmentation

梁新宇，罗晨，权冀川，肖铠鸿，高伟嘉. 基于深度学习的图像语义分割技术研究进展[J]. 计算机工程与应用, 2020, 56(2): 18-28.

LIANG Xinyu, LUO Chen, QUAN Jichuan, XIAO Kaihong, GAO Weijia. Research on Progress of Image Semantic Segmentation Based on Deep Learning[J]. Computer Engineering and Applications, 2020, 56(2): 18-28.

[1]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[4]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[8]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[9]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	赵圆丽，梁志剑. 基于异核卷积双注意机制的立场检测研究[J]. 计算机工程与应用, 2021, 57(8): 119-125.
[12]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[13]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[14]	赵阳，张俊华. 多尺度特征融合的脊柱X线图像分割方法[J]. 计算机工程与应用, 2021, 57(8): 214-219.
[15]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.

基于深度学习的图像语义分割技术研究进展

Research on Progress of Image Semantic Segmentation Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics