基于深度学习的实例分割研究综述

深度学习在计算机视觉领域已经取得很大发展,虽然基于深度学习的实例分割研究近年来才成为研究热点,但其技术可广泛应用在自动驾驶,辅助医疗和遥感影像等领域。实例分割作为计算机视觉的基础问题之一,不仅需要对不同类别目标进行像素级别分割,还要对不同目标进行区分。此外,目标形状的灵活性,不同目标间的遮挡和繁琐的数据标注问题都使实例分割任务面临极大的挑战。本文对实例分割中一些具有价值的研究成果按照两阶段和单阶段两部分进行了系统性的总结,分析了不同算法的优缺点并对比了模型在COCO数据集上的测试性能,归纳了实例分割在特殊条件下的应用,简要介绍了常用数据集和评价指标。最后,对实例分割未来可能的发展方向及其面临的挑战进行了展望。

医学图像实例分割:从有候选区域向无候选区域

医学图像中目标的检测和分割任务是近年来图像处理领域中的研究热点和难点。实例分割为属于同一类的不同对象提供实例级标签,因此广泛应用于医学图像处理领域。本文对医学图像实例分割从以下几个方面进行总结:第一,阐述实例分割的基本原理,将实例分割模型归纳为三类,并采用二维空间展示实例分割算法发展脉络,给出六个实例分割经典模型图;第二,从两阶段实例分割、单阶段实例分割以及三维(3D)实例分割三类模型的角度出发,分别总结三类模型的思想,探讨优缺点和梳理最新发展;第三,总结了实例分割在结肠组织图像、宫颈图像、骨显像图像、胃癌病理切片图像、肺结节计算机断层扫描图像和乳腺X线片图像等六种医学图像的应用现状;第四,讨论当前医学图像实例分割领域面对的主要挑战,并展望未来的发展方向。本文系统总结实例分割的原理、模型、特点,以及实例分割在医学图像处理领域中的应用,对实例分割的研究具有积极的指导意义。