8、深度学习在语义分割中的应用

深度学习在语义分割中的应用

1. 数据集的多重价值

公开数据集在深度学习语义分割领域具有重要意义。除了能在公平条件下对比新模型与现有先进模型的性能外，还可用于其他案例研究。
- 教学方面 ：是学习深度学习掌握能力的有效工具。
- 研发角度 ：有助于模型在特定领域收敛。经典的做法是采用迁移学习，也可以将公开数据集与特定数据融合，以实现其他学习策略。

2. 紧跟技术前沿的途径

深度学习发展迅速，新模型和方法不断涌现，旧方法容易过时，这使得跟踪技术发展变得困难。例如，在特定任务中选择合适的架构就颇具挑战性，像医学图像分割任务常使用U - Net架构，且更多的改进是通过增加数据集的规模和质量来实现。
而相关竞赛的排行榜就显得尤为珍贵，它能让我们轻松了解在给定任务中哪些方法有效，哪些修改历史上带来了性能提升，并且竞赛网站通常会提供相关研究论文的链接。以下是CityScapes数据集上IoU性能指标随时间的演变情况：
| 架构 | 发布时间 | IoU | 显著创新 |
| — | — | — | — |
| HRNetV2 | 2019 | 0.818 | 保持高分辨率表示 |
| DANet | 2019 | 0.815 | 注意力融合局部和全局特征 |
| DeepLabv3 | 2018 | 0.813 | ASPP和编码器 - 解码器结构 |
| DeepLabv2+CRF | 2016 | 0.704 | 空洞空间金字塔池化（ASPP） |
| SegNet | 2015 | 0.570 | 解码器中的非线性上采样