单击上面的3358www.Sina.com/，然后选择jpdlh学视觉或3358www.Sina.com/
重磅干货，第一时间送完本文|极市平台
引言过去一年，计算机视觉领域出现了许多出色的工作，推动了相关领域的技术发展和进步。 去年上半年，极市盘点了计算机视觉领域的综述论文，并进行了分类整理，得到了广大读者的支持。 因此，我想在2021年初，按照方向整理星标，对大家的学习进步有所帮助。
一置顶
3358 www.Sina.com/http://www.Sina.com/shervinminaee，demetriterzopoulos 3358 www.Sina.com/https://arxiv.org/arg
本文整理了2020年出现的全部计算机视觉综述论文相关文献。
最近，由于深度学习模型在各种视觉APP应用中取得了成功，因此需要做很多工作来利用深度学习模型开发图像分割方法。 本文提供了文献的全面回顾，涵盖了语义和实例级分割的诸多原创作品：全卷积像素表示网络、编码器-解码器体系结构、基于多尺度和金字塔的方法、递归网络、视觉注意模型和对抗环境下的生成模型本文研究了这些深度学习模型的相似性、优点和挑战，使用了最广泛的数据集，报告了性能，探讨了该领域未来的研究方向。
2014-2020年基于DL的2D图像分割算法的时间轴。 橙色、绿色和黄色块分别表示语义、实例和全景分割算法。
样本图像中DeepLabV3的分割结果。
U-net机型。 蓝色框表示具有指定形状的要素地图块。
DeepLabv3机型。
用mIoU和平均精度(mAcc )表示NYUD-v2和SUN-RGBD数据集上分割模型的性能。
二【1】使用深度学习进行图像分割：综述
标题：Image Segmentation Using Deep Learning: A Survey:深度学习实时语义图像分割方法综述http://www.Sina.com/: georgiostakos 3358 www.Sina.com/: 3359 arxiv.orrra
本文共整理了9篇相关文献。
语义图像分割是计算机视觉中增长最快的领域之一，具有多种APP应用。 在机器人技术和自动驾驶汽车等很多领域，语义图像的分割很重要。 这是因为语义分割提供了基于像素级场景理解来采取动作所需的上下文。 另外，医学诊断和治疗的成功依赖于对可能数据的极其准确的理解，语义图像分割往往是重要的工具之一。 深度学习的最新发展为有效解决这一问题和提高准确性提供了许多工具这项工作全面分析了图像分割中最新的深度学习体系结构，更重要的是，它为实现快速推理和计算效率提供了广泛的技术列表。
完全卷积网络体系结构：
DeconvNet体系结构：
比例语义图像分割体系结构：
Cityscapes像素级语义标签任务的优化表示模型：
Cityscapes像素级语义标记实时任务优化表示模型：
三http://www.Sina.com/http://www.Sina.com /语义分割中的无监督自适应研究进展作者：Marco Toldo，pietrozanuttigh 3358 www.Sina
本文共整理了链接：相关文献。
本文的目的是概述用于语义分割的深度网络无监督域自适应(UDA )的最新进展。 由于语义分割模型需要大量的标记数据，而缺乏适合特定要求的数据，是实施这些技术的主要限制，因此这一任务受到了很多关注。
语义分割的最受欢迎的UDA战略维恩图。 每种方法都属于所使用的自适应技术的集合。
从分类(稀疏任务)到语义分割(密集任务)的几个示例图像上可能的视觉任务的概述。
域位移自适应可以在各种空间中执行，包括输入级别、功能级别和输出级别。
四172篇
ey of loss functions for semantic segmentation标题：语义分割损失函数综述
作者：Shruti Jadon
链接：https://arxiv.org/abs/2006.14822
本文共梳理了23篇相关文献。
本文总结了一些众所周知的损失函数，这些函数广泛用于图像分割，并列出了使用它们可以帮助快速，更好地收敛模型的情况。此外，本文还引入了新的log-cosh骰子损失函数，并将其在NBFS头骨分割开源数据集上的性能与广泛使用的损失函数进行了比较。 本文还展示了某些损失函数在所有数据集上都能很好地发挥作用，并且在未知的数据分发方案中可以被视为很好的基准选择。
语义分割损失函数的类型
二元交叉熵损失函数图。在这里，熵在Y轴上定义，事件的概率在X轴上。
语义分割损失函数的附表。
综述五【5】A Survey on Instance Segmentation: State of the art
标题：实例分割技术综述
作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat
链接：https://arxiv.org/abs/2007.00047
本文共梳理143篇相关文章，由克什米尔大学的学者发布。
目标检测或定位是从粗略到精细的数字图像推断的增量步骤。它不仅提供图像对象的类别，而且还提供已分类图像对象的位置。该位置以边界框或质心的形式给出。语义分割可通过预测输入图像中每个像素的标签来进行精细推断。每个像素根据其所在的对象类别进行标记。为进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以被定义为同时解决对象检测和语义分割问题的技术。在这份关于实例分割的调查论文中，讨论了实例分割的背景，问题，技术，演变，流行的数据集，相关技术以及最新范围。本文为那些希望在实例分割领域进行研究的人提供了宝贵的信息。
对象识别的演变：从粗略推断到细粒度推断：（a）图像分类，（b）对象检测或定位，（c）实例分割，（d）语义分割。
实例分割中重要技术的时间表
下图为PANet框架。（a）FPN主干。（b）自下而上的路径扩充。（c）自适应功能池。（d）盒支。（e）全连接融合。
Microsoft COCO数据集上值得注意的实例分割工作
以上是对2020年发布的图像分割方向的综述论文的总结梳理，如有遗漏和不足之处，欢迎大家在评论区补充建议。在下篇，我们将对2020年医学影像方向的综述论文进行梳理。
下载1：OpenCV-Contrib扩展模块中文版教程
在「jpdlh学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「jpdlh学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「jpdlh学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”zgdsw + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~