2023年3月27日08:36:23

DeepLab系列（DeepLabv1、DeepLabv2、DeepLabv3和DeepLabv3+） 2014,

FCN 2015,

unet 2015,

SegNet 2015,

GCN 2016,

ENet 2016,

-PSPNet（Pyramid Scene Parsing Network）2017,

-Mask R-CNN 2017,

DFN 2018,

BiSeNet 2018，

RedNet 2018,

RDFNet 2020 ,

DFANet 2021,

DeepLab 2014

• DeepLabv1 2014, DeepLabv2 2016, DeepLabv3 2017, DeepLabv3+ 2018，

• 解決了空間上下文信息不足的問(wèn)題，

• v1引入空洞卷積來(lái)增加感受野，

• v2結(jié)合了空洞卷積和多尺度金字塔來(lái)進(jìn)一步增加感受野大小和多尺度特征表示能力，

• v3和v3+引入了可變性卷積和全局上下文信息進(jìn)一步提高語(yǔ)義分割的準(zhǔn)確性；

• 缺陷是計(jì)算量大、訓(xùn)練和調(diào)參難度較高。

FCN 2015

• 解決了傳統(tǒng)圖像分割無(wú)法處理不同大小的輸入圖像的問(wèn)題，

• 引入了全卷積網(wǎng)絡(luò)將圖像轉(zhuǎn)換為密集預(yù)測(cè)的像素標(biāo)簽；

• 處理多類(lèi)別分割任務(wù)的表現(xiàn)相對(duì)較差，

• 由于網(wǎng)絡(luò)缺乏跨層信息的傳遞，難以對(duì)細(xì)節(jié)進(jìn)行準(zhǔn)確的分割，

• 使用簡(jiǎn)單的反卷積層進(jìn)行上采樣，所以對(duì)細(xì)節(jié)和邊緣等細(xì)微信息的恢復(fù)不夠精細(xì)。

unet 2015

• 解決了傳統(tǒng)圖像分割方法無(wú)法處理小目標(biāo)和不規(guī)則形狀的問(wèn)題，

• 引入了U形網(wǎng)絡(luò)結(jié)構(gòu)并將特征圖進(jìn)行跳躍連接；

• 網(wǎng)絡(luò)結(jié)構(gòu)比較簡(jiǎn)單，難以處理較復(fù)雜的場(chǎng)景，

• 對(duì)細(xì)節(jié)的把握能力也有一定局限性。

SegNet 2015

• 解決了全卷積網(wǎng)絡(luò)存在的模糊分割的問(wèn)題，

• 引入了最大池化索引進(jìn)行上采樣，提高了分割的準(zhǔn)確性；

• 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，難以處理復(fù)雜場(chǎng)景，對(duì)細(xì)節(jié)把握能力較弱。

GCN 2016

• 解決了全卷積網(wǎng)絡(luò)難以處理稀疏圖像的問(wèn)題，

• 引入了全局上下文信息，提高了分割的準(zhǔn)確性；

• 對(duì)分辨率較高的圖像和復(fù)雜場(chǎng)景處理效果較差，且容易過(guò)擬合。

ENet 2016

• 輕量級(jí)模型，使用分支并行結(jié)構(gòu)和深度可分離卷積，以減少模型的參數(shù)數(shù)量和計(jì)算復(fù)雜度；

• 由于模型解構(gòu)的簡(jiǎn)單化，語(yǔ)義分割性能相對(duì)較弱。

PSPNet 2017

• 解決了全卷積網(wǎng)絡(luò)難以獲取全局信息的問(wèn)題，

• 引入了金字塔池化機(jī)制，從不同尺度上提取全局特征；

• 由于金字塔池化機(jī)制，導(dǎo)致計(jì)算量和內(nèi)存占用較大，處理大規(guī)模高分辨率圖像時(shí)較為困難。

Mask R-CNN 2017

• 解決了目標(biāo)檢測(cè)和語(yǔ)義分割之間的關(guān)聯(lián)問(wèn)題，

• 引入了區(qū)域提取網(wǎng)絡(luò)和融合特征金字塔等技術(shù)，

• 將目標(biāo)檢測(cè)和實(shí)例分割結(jié)合，能夠能使輸出目標(biāo)的類(lèi)別、位置和掩碼信息，

• 是一種高效、準(zhǔn)確的語(yǔ)義分割方法；

• 網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，需要較長(zhǎng)的訓(xùn)練時(shí)間和較大的計(jì)算資源。

DFN 2018,

• 基于深度特征融合，

• 將多個(gè)分辨率的特征圖融合起來(lái)，以提高準(zhǔn)確性和穩(wěn)定性；

• 特征融合模塊會(huì)增加計(jì)算復(fù)雜度，

• 同時(shí)需要對(duì)模型進(jìn)行精細(xì)的調(diào)參。

BiSeNet 2018

• 基于分割網(wǎng)絡(luò)級(jí)聯(lián)，使用級(jí)聯(lián)解構(gòu)分別處理全局和局部特征，

• 同時(shí)使用注意力機(jī)制提高分割的準(zhǔn)確性；

• 處理高分辨率圖像出現(xiàn)較大的計(jì)算誤差。

RedNet 2018

• 基于殘差網(wǎng)絡(luò)，采用了紅色殘差塊（red block）來(lái)提高特征表示能力和分割準(zhǔn)確性；

• 但需要更多的計(jì)算資源和參數(shù)量。

RDFNet 2020

• 基于循環(huán)解碼和特征融合，

• 采用了循環(huán)解碼網(wǎng)絡(luò)和注意力機(jī)制來(lái)融合多尺度特征，

• 并引入了一個(gè)特征融合模塊來(lái)提高分割精度；

• 雖然可以更好地處理復(fù)雜的場(chǎng)景和背景，但需要更長(zhǎng)的訓(xùn)練時(shí)間和更大的計(jì)算資源。

DFANet 2021

• 基于雙重注意力機(jī)制，采用了通道和空間注意力機(jī)制來(lái)增強(qiáng)特征表示能力，

• 并引入了一個(gè)反卷積網(wǎng)絡(luò)來(lái)提高分割精度；

• 雖然可以更好地處理物體之間的遮擋和重疊，但計(jì)算量相對(duì)較高。