近年來,深度學習技術已經廣泛應用到圖像語義分割領域.主要對
基於深度學習的圖像語義分割的經典方法
與研究現狀進行分類、梳理和總結.根據分割特點和處理粒度的不同,將基於深度學習的圖像語義分割方法分
為
基於區域分類的圖像語義分割方法
和
基於像素分類的圖像語義分割方法
.把基於像素分類的圖像語義分割方法
進一步細分為
全監督學習圖像語義分割方法
和
弱監督學習圖像語義分割方法
.對每類方法的代表性算法進行了分
析介紹,並詳細總結了每類方法的基本思想和優缺點,系統地闡述了深度學習對圖像語義分割領域的貢獻.對圖像語
義分割相關實驗進行了分析對比,並介紹了圖像語義分割實驗中常用公共數據集和性能評價指標.最后,預測並分析
總結了該領域未來可能的研究方向及相應的發展趨勢.
其中，文中提出：CNN RNN GAN 三者是並列的。
ISSbRC 方法取得了一定的分割效果,但也存在圖像分割精度不高和分割速度不夠快等問題,因此,一些研究者提出直接在像素級別上進行圖像語義分割,產生了基於像素分類的圖像語義分割方法。從時間上來看bPC比bRC要晚。
ISSbPC 方法利用
DNN 從帶有大量標注的圖像數據中提取出圖像特征和語義信息,再根據這些信息來學習、推理原始圖像中像
素的類別,通過端到端訓練的方式對每個像素進行分類,以像素分類的方式達到語義分割的目標.這是下一步研究方向。
ENet 在執行分割任務時采用分解濾波器策略,使用低階近似(low-rank approximation)
將卷積操作分解為更簡單的操作,在保證分割精度的同時,顯著降低了計算量,是一種可完成像素標注、場景解
析等任務的實時分割網絡.ENet 中編碼部分的網絡比解碼部分復雜很多,是一種不對稱的編碼器-解碼器結構。這個重點關注。
關注以下兩個數據集：
Karlsruhe Institute of Technology and Toyota Technological Institute(KITTI)
.KITTI 是目前國際上用
於自動駕駛場景檢測的最大評測數據集,主要用於評測車載環境下路面分割、目標檢測、目標跟蹤
等技術.KITTI 數據集包含市區、鄉村和高速公路等真實場景圖像,每張圖像中含有不同程度的遮擋
現象.
Cityscapes Dataset(簡稱 Cityscapes)
Cityscapes 主要提供無人駕駛環境下的圖像分割數據,用於評
估算法在城區場景語義理解方面的性能.Cityscapes 包含 50 個城市不同環境、不同背景、不同季節
的街道場景,提供 5 000 張精細標注的圖片、20 000 張粗略標注的圖片和 30 種標注物體.