论文阅读—图像分割方法综述(一)（arXiv:[cs:cv]20200410）

论文：Image Segmentation Using Deep Learning:A Survey

作者：Shervin Minaee, Yuri Boykov, Fatih Porikli, Antonio Plaza

论文阅读—图像分割方法综述(二)（arXiv:[cs:cv]20200410）
论文阅读—图像分割方法综述(三)（arXiv:[cs:cv]20200410）

1、Abstract

图像分割是图像处理和计算机视觉中的关键主题，其应用包括场景理解，医学图像分析，机器人感知，视频监控，增强现实和图像压缩等。在文献中已经开发了用于图像分割的各种算法。最近，由于深度学习模型在各种视觉应用中的成功，已经有大量旨在利用深度学习模型开发图像分割方法的工作。在本次调查中，我们在撰写本文时提供了对文献的全面回顾，涵盖了语义和实例级分割的各种开创性作品，包括全卷积像素标记网络，编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型以及对抗环境中的生成模型。 我们研究了这些深度学习模型的相似性，优势和挑战，研究了使用最广泛的数据集，报告了性能，并讨论了该领域有希望的未来研究方向。

2、Introduction

在许多视觉理解系统中，图像分割是必不可少的组成部分。它涉及将图像（或视频帧）划分为多个片段或对象[1]。分割在广泛的应用[2]中起着中心作用，包括医学图像分析（例如肿瘤边界提取和组织体积测量），自动驾驶车辆（例如可导航的地面和行人检测），视频监控和增强现实数数。从最早的方法，例如阈值[3]，基于直方图的捆绑，区域增长[4]，k均值聚类[5]，分水岭[6]，到更高级的算法，文献中已经开发了多种图像分割算法。例如活动轮廓[7]，图割[8]，条件和Markov随机字段[9]以及基于稀疏性的[10]-[11]方法。 然而，在过去的几年中，深度学习（DL）网络产生了新一代的图像分割模型，其性能得到了显着提高-通常在常用基准上达到最高的准确率-导致许多人将其视为该领域的范式转变。例如，图1展示了一个杰出的深度学习模型DeepLabv3 [12]的样本图像分割输出。