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）。