| 深度学习背景下的图像语义分割方法综述 |
| |
| 引用本文： | 严毅,邓超,李琳,朱凌坤,叶彪. 深度学习背景下的图像语义分割方法综述[J]. 中国图象图形学报, 2023, 28(11): 3342-3362 |
| |
| 作者姓名： | 严毅 邓超 李琳 朱凌坤 叶彪 |
| |
| 作者单位： | 武汉科技大学汽车与交通工程学院, 武汉 430063;武汉科技大学计算机科学与技术学院, 武汉 430063;武汉理工大学交通与物流工程学院, 武汉 430063 |
| |
| 基金项目： | 国家自然科学基金青年基金项目（52002298）；“运输车辆检测、诊断与维修技术”交通行业重点实验室开放课题（JTZL2205）；四川省无人系统智能感知控制技术工程实验室开放课题（WRXT2022-001）；云基物联网高速公路建养设备智能化实验室开放课题（KF_2022_301002） |
| |
| 摘 要： | 语义分割任务是很多计算机视觉任务的前提与基础，在虚拟现实、无人驾驶等领域具有重要的应用价值。随着深度学习技术的快速发展，尤其是卷积神经网络（convolutional neural network，CNN）的出现，使得图像语义分割取得了长足的进步。首先，本文介绍了语义分割概念、相关背景和语义分割基本处理流程。然后，总结开源的2D、2.5D、3D数据集和其相适应的分割方法，详细描述了不同网络的分割特点、优缺点及分割精确度，得出监督学习是有效的训练方式。同时，介绍了权威的算法性能评价指标，根据不同方法的侧重点，对各个分割方法的相关实验进行了对比分析，指出了目前实验方面整体存在的问题，其中，DeepLab-V3+网络在分割精确度和速度方面都具有良好的性能，应用价值较高。在此基础上，本文针对国内外的研究现状，提出了当前面临的几点挑战和未来可能的研究方向。通过总结与分析，能够为相关研究人员进行图像语义分割相关研究提供参考。
|
| 关 键 词： | 深度学习 图像语义分割（ISS） 卷积神经网络（CNN） 监督学习 DeepLab-V3+网络 |
| 收稿时间： | 2022-04-01 |
| 修稿时间： | 2022-10-01 |
Survey of image semantic segmentation methods in the deep learning era |
| |
| Yan Yi,Deng Chao,Li Lin,Zhu Lingkun,Ye Biao. Survey of image semantic segmentation methods in the deep learning era[J]. Journal of Image and Graphics, 2023, 28(11): 3342-3362 |
| |
| Authors: | Yan Yi Deng Chao Li Lin Zhu Lingkun Ye Biao |
| |
| Affiliation: | School of Automobile and Traffic Engineering, Wuhan University of Science and Technology, Wuhan 430063, China;School of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan 430063, China;School of Transportation and Logistics Engineering, Wuhan University of Technology, Wuhan 430063, China |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
