图像分割综述论文“Evolution of Image Segmentation using Deep Convolutional Neural Network: A Survey”
arXiv在2020年1月13日上传的综述论文 “Evolution of Image Segmentation using Deep Convolutional Neural Network: A Survey“。
摘要:从自动驾驶汽车到医学诊断,图像分割任务的需求无处不在。图像分割是计算机视觉中必不可少的任务之一。与其他视觉任务相比,此任务相对复杂,因为它需要低级别的空间信息。基本上,图像分割可以分为两种类型:语义分割和实例分割。这两个基本任务的组合版本称为全景分割。近年来,深度卷积神经网络(CNN)的成功极大地影响了分割领域,并为我们提供了各种成功的模型。本次综述将了解基于CNN的语义和实例分割工作的发展,还指定了一些最新模型的体系结构细节,并讨论了它们的训练细节比较,以便对这些模型超参调整的清晰了解。此外,该文还对这些模型在不同数据集的性能进行了比较。
如图是图像分割的类型:
一个实际的例子:
语义分割:
空洞卷积(atrous convolution)示意图:
下图是空洞空间池化金字塔(Atrous Spatial Pooling Pyramid):
如图是GCN(Global convolution network)的架构图:
Fully Convolutional DenseNet架构图:
Gated Shape CNN架构:
实例分割:
DeepMask架构:
Multi-task Network Cascades:
MultiPath Network:
Instance-sensitive fFCN:
FCI:
Path Aggregation Network (PANet):
全景分割:
全景分割(PS)是语义分割和实例分割的组合。 如今,这是一个新的研究领域。 在此任务中,将图像中的所有像素与语义标签相关联以进行分类,还需要标识特定类的实例。 全景分割模型的输出将包含两个通道:一个用于像素的标签(语义分割),另一个用于预测每个像素实例(实例分割)。