文献类型：期刊文章

作　　者：严毅[1] 邓超[1] 李琳[2] 朱凌坤[3] 叶彪[2]

Yan Yi;Deng Chao;Li Lin;Zhu Lingkun;Ye Biao(School of Automobile and Traffic Engineering,Wuhan University of Science and Technology,Wuhan 430063,China;School of Computer Science and Technology,Wuhan University of Science and Technology,Wuhan 430063,China;School of Transportation and Logistics Engineering,Wuhan University of Technology,Wuhan 430063,China)

机构地区：[1]武汉科技大学汽车与交通工程学院,武汉430063 [2]武汉科技大学计算机科学与技术学院,武汉430063 [3]武汉理工大学交通与物流工程学院,武汉430063

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金青年基金项目(52002298);“运输车辆检测、诊断与维修技术”交通行业重点实验室开放课题(JTZL2205);四川省无人系统智能感知控制技术工程实验室开放课题(WRXT2022-001);云基物联网高速公路建养设备智能化实验室开放课题(KF_2022_301002)。

年　　份：2023

卷　　号：28

期　　号：11

起止页码：3342-3362

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、RCCSE、ZGKJHX、核心刊

摘　　要：语义分割任务是很多计算机视觉任务的前提与基础,在虚拟现实、无人驾驶等领域具有重要的应用价值。随着深度学习技术的快速发展,尤其是卷积神经网络(convolutional neural network,CNN)的出现,使得图像语义分割取得了长足的进步。首先,本文介绍了语义分割概念、相关背景和语义分割基本处理流程。然后,总结开源的2D、2.5D、3D数据集和其相适应的分割方法,详细描述了不同网络的分割特点、优缺点及分割精确度,得出监督学习是有效的训练方式。同时,介绍了权威的算法性能评价指标,根据不同方法的侧重点,对各个分割方法的相关实验进行了对比分析,指出了目前实验方面整体存在的问题,其中,DeepLab-V3+网络在分割精确度和速度方面都具有良好的性能,应用价值较高。在此基础上,本文针对国内外的研究现状,提出了当前面临的几点挑战和未来可能的研究方向。通过总结与分析,能够为相关研究人员进行图像语义分割相关研究提供参考。

关 键 词：深度学习  图像语义分割(ISS)  卷积神经网络(CNN)  监督学习  DeepLab-V3+网络  

分 类 号：TP391.4]