文献类型：期刊文章

作　　者：景庄伟[1] 管海燕[2] 彭代峰[2] 于永涛[3]

JING Zhuangwei;GUAN Haiyan;PENG Daifeng;YU Yongtao(School of Geographical Sciences,Nanjing University of Information Science and Technology,Nanjing 210044,China;School of Remote Sensing and Geomatics Engineering,Nanjing University of Information Science and Technology,Nanjing 210044,China;School of Computer and Software Engineering,Huaiyin Institute of Technology,Huaian,Jiangsu 223003,China)

机构地区：[1]南京信息工程大学地理科学学院,南京210044 [2]南京信息工程大学遥感与测绘工程学院,南京210044 [3]淮阴工学院计算机与软件工程学院,江苏淮安223003

出　　处：《计算机工程》

基　　金：国家自然科学基金(41671454,41971414)。

年　　份：2020

卷　　号：46

期　　号：10

起止页码：1-17

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：随着深度学习技术的快速发展及其在语义分割领域的广泛应用,语义分割效果得到显著提升。对基于深度神经网络的图像语义分割方法进行分析与总结,根据网络训练方式的不同,将现有的图像语义分割分为全监督学习图像语义分割和弱监督学习图像语义分割,对每种方法中代表性算法的效果以及优缺点进行对比与分析,并阐述深度神经网络对语义分割领域的贡献。在此基础上,归纳当前主流的公共数据集和遥感数据集,对比主要的图像语义分割方法的分割性能,探讨当前语义分割技术面临的挑战并对其未来的发展方向进行展望。

关 键 词：深度神经网络  图像语义分割  计算机视觉 全监督学习  弱监督学习  

分 类 号：TP391]