图像分割算法综述：深度学习、语义分割、实例分割等五大主题

图像分割算法综述：深度学习、语义分割、实例分割等五大主题

图像分割是计算机视觉领域的重要研究方向，涉及深度学习、语义分割、实例分割等多个方面。以下是五篇关于图像分割算法的综述性论文，涵盖了深度学习应用、实时语义分割、无监督自适应、损失函数以及实例分割等主题。

综述一：深度学习在图像分割中的应用

标题：Image Segmentation Using Deep Learning: A Survey
作者：Shervin Minaee, Demetri Terzopoulos

本文梳理了172篇相关文献，全面回顾了深度学习模型在图像分割领域的应用。研究内容包括语义和实例级分割的众多开创性作品，如全卷积像素标记网络、编码器-解码器体系结构、多尺度及基于金字塔的方法、递归网络、视觉注意模型和对抗环境中的生成模型等。文章还分析了这些模型的相似性、优势和挑战，并讨论了未来研究方向。

2014年至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。

U-net模型。蓝色框表示具有其指定形状的要素地图块。

DeepLabv3 +模型。

综述二：深度学习实时语义图像分割方法

标题：A Survey on Deep Learning Methods for Semantic Image Segmentation in Real-Time
作者：Georgios Takos

本文梳理了9篇相关文献，重点介绍了深度学习在实时语义图像分割中的应用。研究内容包括完全卷积网络架构、DeconvNet体系结构、比例感知语义图像分割架构等。文章还展示了Cityscapes数据集上的实时分割性能。

完全卷积网络架构、DeconvNet体系结构、比例感知语义图像分割架构。

Cityscapes像素级语义标签实时任务最佳表现模型。

综述三：语义分割中的无监督自适应研究进展

标题：Unsupervised Domain Adaptation in Semantic Segmentation: a Review
作者：Marco Toldo, Pietro Zanuttigh

本文梳理了120篇相关文献，重点介绍了语义分割中的无监督域自适应（UDA）技术。研究内容包括不同空间的域移位自适应策略，如输入级别、功能级别和输出级别。文章还展示了最受欢迎的UDA策略的维恩图。

最受欢迎的用于语义分割的UDA策略的维恩图。

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。

综述四：语义分割损失函数综述

标题：A survey of loss functions for semantic segmentation
作者：Shruti Jadon

本文梳理了23篇相关文献，重点介绍了语义分割中的损失函数。研究内容包括二元交叉熵损失函数、Dice损失函数等，并引入了新的log-cosh骰子损失函数。文章还展示了各种损失函数在不同数据集上的性能。

二元交叉熵损失函数图。

综述五：实例分割技术综述

标题：A Survey on Instance Segmentation: State of the art
作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat

本文梳理了143篇相关文献，重点介绍了实例分割技术。研究内容包括实例分割的背景、问题、技术、演变、流行的数据集等。文章还展示了PANet框架和Microsoft COCO数据集上的实例分割工作。

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。