https://yongqi.blog.csdn.net/article/details/113287553大盘点| 2020年5篇图像分割算法最佳综述导读
本文针对2020年所有计算机视觉综述论文，分方向整理第二篇，图像分割方向。 内容包括2014-2020年图像分割算法、实时语义图像分割方法、语义分割中的无监督自适应研究以及语义分割损失函数等综述。
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2020年出现的全部计算机视觉综述论文，对大家的学习进步有所帮助。 上周，我们盘点了2020年目标检测算法综述。 正文是第二篇，图像分割方向。
注：文章将与Github同步更新。 欢迎使用star/fork (点击阅读原文即可跳转)。
3359 github.com/extreme-assistant/survey-computer-vision
一【1】使用深度学习进行图像分割：综述
3358 www.Sina.com/http://www.Sina.com/shervinminaee，demetriterzopoulos 3358 www.Sina.com/https://arxiv.org/arg
本文整理了标题：Image Segmentation Using Deep Learning: A Survey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。
二作者：
链接：: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172篇Marco Toldo，pietrozanuttigh 3358 www.Sina
本文共整理了【2】 A Survey on Deep Learning Methods for Semantic Image Segmentation in Real-Time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部署，因此此任务受到了很多关注
这些技术的主要限制。最受欢迎的用于语义分割的UDA策略的维恩图。每种方法都属于代表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）的一些样本图像上一些可能的视觉任务的概述。
可以在不同的空间执行域移位自适应：输入级别，功能级别和输出级别。
综述四【4】A survey 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