《表2 基于深度学习的语义分割方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的图像语义分割技术综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

随着全卷积神经网络的提出，图像语义分割技术进入新时期，计算机在视觉领域通过深度学习网络进行全卷积后能够极大提高图像分类效率与识别准度，网络框架与语义分割问题进入深度结合快速扩展的时代。全卷积网络通过扩展普通卷积网络模型，使其具有更多的参数特征和更好的空间层次。其结构可以分为全卷积和反卷积两部分，全卷积借鉴卷积神经网络模型，输入图像在参数减少与特征强化后，采用反卷积层对最后卷积层的特征图进行上采样，通过转置卷积恢复输入图像尺寸，从而针对每个像素都产生一个预测，使输入图像达到语义级分割。全卷积网络将卷积神经网络对于图像的识别精度从图像级识别提升为全卷积神经网络中像素级的识别。但是使用全卷积网络的图像分割仍存在分割结果不够精准、输出图像模糊等问题。全卷积网络为语义分割的未来发展指明了方向，研究人员以全卷积神经为基础提出U-Net、Seg Net、PSPNet、Refine Net、Deep Lab、Bi Se Net、Panoptic FPN[7-13]等图像分割网络结构模型。其特点如表2所示。