《表1 深度学习与传统方法相结合的图像语义分割方法》

  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

随着深度学习技术的发展，深度学习模型开始与传统语义分割方法相结合，即在利用传统方法分割出目标区域的基础上，进一步采用卷积神经网络等方法学习目标特征并训练分类器，对目标区域进行分类，从而实现目标区域的语义标注[2]。卷积神经网络模型的提出，为图像语义分割与深度学习的结合奠定了基础，使得图像语义分割技术应用于多个应用领域。卷积神经网络使用卷积层—激活函数—池化层—全连接层的运行结构，输入图像经卷积层聚拢不同局部区域特征，通过激活函数（Sigmoid、Relu、Tanh等）部分激活，部分抑制从而强化特征。池化层在不改变目标对象的基础上，使输入图片变小，减少训练参数，最后使用全连接层神经元的前向传播与反向传导损失计算函数最优点，使输入图像的分类、分割等更加高效。训练研究人员以卷积神经网络为基础提出Alex Net、VGGNet、Google Net、Res Net等图像分类网络模型[3-6]，其中Alex Net网络为2012年ILSVRC大赛冠军，Google Net网络、VGG-Net网络分别为2014年ILSVRC大赛中的冠亚军，Res Net网络为2015年ILSVRC大赛冠军，其特点如表1所示。