學(xué)姐上次推薦了20多篇目標(biāo)檢測方面的論文，這次學(xué)姐又來推薦圖像分割方向的綜述論文，了解從哪入手需要讀論文，找靈感需要讀論文，煉丹路上讀論文是必備的。如果你正在寫論文，請配套這篇頂會審稿人的論文技巧一起實(shí)用更佳。

綜述一

標(biāo)題：A Survey on Deep Learning Methods for Semantic Image Segmentation in Real-Time（深度學(xué)習(xí)實(shí)時(shí)語義圖像分割方法綜述）

作者：?Georgios Takos

鏈接：

https://arxiv.org/abs/2009.12942

內(nèi)容簡介：

綜述二

標(biāo)題：Image Segmentation Using Deep Learning: A Survey（使用深度學(xué)習(xí)進(jìn)行圖像分割：綜述）

作者：Shervin Minaee, Demetri Terzopoulos

鏈接：

https://arxiv.org/abs/2001.05566

內(nèi)容簡介：

本文梳理了172篇相關(guān)文獻(xiàn)。最近，由于深度學(xué)習(xí)模型在各種視覺應(yīng)用中的成功，已經(jīng)有大量旨在利用深度學(xué)習(xí)模型開發(fā)圖像分割方法的工作。

本文提供了對文獻(xiàn)的全面回顧，涵蓋了語義和實(shí)例級分割的眾多開創(chuàng)性作品，包括全卷積像素標(biāo)記網(wǎng)絡(luò)，編碼器-解碼器體系結(jié)構(gòu)，多尺度以及基于金字塔的方法，遞歸網(wǎng)絡(luò)，視覺注意模型和對抗環(huán)境中的生成模型。

本文研究了這些深度學(xué)習(xí)模型的相似性，優(yōu)勢和挑戰(zhàn)，研究了使用最廣泛的數(shù)據(jù)集，報(bào)告了性能，并討論了該領(lǐng)域有希望的未來研究方向。

藍(lán)色框表示具有其指定形狀的要素地圖塊

2014年至2020年基于DL的2D圖像分割算法的時(shí)間軸。橙色，綠色和黃色塊分別表示語義，實(shí)例和全景分割算法

以mIoU和平均準(zhǔn)確度（mAcc）表示，NYUD-v2和SUN-RGBD數(shù)據(jù)集上的分割模型的性能

綜述三

標(biāo)題：Unsupervised Domain Adaptation in Semantic Segmentation: a Review（語義分割中的無監(jiān)督自適應(yīng)研究進(jìn)展）

作者：Marco Toldo, Pietro Zanuttigh

鏈接：

https://arxiv.org/abs/2005.10876

內(nèi)容簡介：

本文共梳理120篇相關(guān)文獻(xiàn)。本文的目的是概述用于語義分割的深度網(wǎng)絡(luò)的無監(jiān)督域自適應(yīng)（UDA）的最新進(jìn)展。這項(xiàng)任務(wù)引起了廣泛的興趣，因?yàn)檎Z義分割模型需要大量的標(biāo)記數(shù)據(jù)，而缺乏適合特定要求的數(shù)據(jù)是部署這些技術(shù)的主要限制。

綜述四

標(biāo)題：A survey of loss functions for semantic segmentation（語義分割損失函數(shù)綜述）

作者：Shruti Jadon

鏈接：

https://arxiv.org/abs/2006.14822

內(nèi)容簡介：

本文共梳理了23篇相關(guān)文獻(xiàn)。在本文中，我們總結(jié)了一些眾所周知的損失函數(shù)，這些函數(shù)廣泛用于圖像分割，并列出了使用它們可以幫助快速，更好地收斂模型的情況。此外，我們還引入了新的log-cosh骰子損失函數(shù)，并將其在NBFS頭骨分割開源數(shù)據(jù)集上的性能與廣泛使用的損失函數(shù)進(jìn)行了比較。我們還展示了某些損失函數(shù)在所有數(shù)據(jù)集上都能很好地發(fā)揮作用，并且在未知的數(shù)據(jù)分發(fā)方案中可以被視為很好的基準(zhǔn)選擇。

在這里，熵在Y軸上定義，事件的概率在X軸上

綜述五

標(biāo)題：A Survey on Instance Segmentation: State of the art（實(shí)例分割技術(shù)綜述）

作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat

鏈接：

https://arxiv.org/abs/2007.00047

內(nèi)容簡介：

本文共梳理143篇相關(guān)文章，由克什米爾大學(xué)的學(xué)者發(fā)布。目標(biāo)檢測或定位是從粗略到精細(xì)的數(shù)字圖像推斷的增量步驟。它不僅提供圖像對象的類別，而且還提供已分類圖像對象的位置。該位置以邊界框或質(zhì)心的形式給出。語義分割可通過預(yù)測輸入圖像中每個(gè)像素的標(biāo)簽來進(jìn)行精細(xì)推斷。每個(gè)像素根據(jù)其所在的對象類別進(jìn)行標(biāo)記。為進(jìn)一步發(fā)展，實(shí)例分割為屬于同一類的對象的單獨(dú)實(shí)例提供了不同的標(biāo)簽。因此，實(shí)例分割可以被定義為同時(shí)解決對象檢測和語義分割問題的技術(shù)。在這份關(guān)于實(shí)例分割的調(diào)查論文中，討論了實(shí)例分割的背景，問題，技術(shù)，演變，流行的數(shù)據(jù)集，相關(guān)技術(shù)以及最新范圍。本文為那些希望在實(shí)例分割領(lǐng)域進(jìn)行研究的人提供了寶貴的信息。

從粗略推斷到細(xì)粒度推斷：（a）圖像分類（b）對象檢測或定位（c）語義分割（d）實(shí)例分割

（a）FPN主干（b）自下而上的路徑擴(kuò)充（c）自適應(yīng)功能池（d）盒支（e）全連接融合

學(xué)姐每周都會整理一個(gè)方向的論文，推薦給大家，所以，想省去找論文的時(shí)間就關(guān)注學(xué)姐吧！