学姐上次推荐了20多篇目标检测方面的论文，这次学姐又来推荐图像分割方向的综述论文，了解从哪入手需要读论文，找灵感需要读论文，炼丹路上读论文是必备的。如果你正在写论文，请配套这篇顶会审稿人的论文技巧一起实用更佳。
综述一
标题：A Survey on Deep Learning Methods for Semantic Image Segmentation in Real-Time（深度学习实时语义图像分割方法综述）
作者： Georgios Takos
链接：
https://arxiv.org/abs/2009.12942
内容简介：
完全卷积网络架构
DeconvNet体系结构
比例感知语义图像分割架构
Cityscapes像素级语义标签任务最佳表现模型
综述二
标题：Image Segmentation Using Deep Learning: A Survey（使用深度学习进行图像分割：综述）
作者：Shervin Minaee, Demetri Terzopoulos
链接：
https://arxiv.org/abs/2001.05566
内容简介：
本文梳理了172篇相关文献。最近，由于深度学习模型在各种视觉应用中的成功，已经有大量旨在利用深度学习模型开发图像分割方法的工作。
本文提供了对文献的全面回顾，涵盖了语义和实例级分割的众多开创性作品，包括全卷积像素标记网络，编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型和对抗环境中的生成模型。
本文研究了这些深度学习模型的相似性，优势和挑战，研究了使用最广泛的数据集，报告了性能，并讨论了该领域有希望的未来研究方向。
DeepLabV3在样本图像上的分割结果
U-net模型
蓝色框表示具有其指定形状的要素地图块
DeepLabv3 +模型
2014年至2020年基于DL的2D图像分割算法的时间轴。橙色，绿色和黄色块分别表示语义，实例和全景分割算法
以mIoU和平均准确度（mAcc）表示，NYUD-v2和SUN-RGBD数据集上的分割模型的性能
综述三
标题：Unsupervised Domain Adaptation in Semantic Segmentation: a Review（语义分割中的无监督自适应研究进展）
作者：Marco Toldo, Pietro Zanuttigh
链接：
https://arxiv.org/abs/2005.10876
内容简介：
本文共梳理120篇相关文献。本文的目的是概述用于语义分割的深度网络的无监督域自适应（UDA）的最新进展。这项任务引起了广泛的兴趣，因为语义分割模型需要大量的标记数据，而缺乏适合特定要求的数据是部署这些技术的主要限制。
从分类（稀疏任务）到语义分割（密集任务）的一些样本图像上一些可能的视觉任务的概述。
可以在不同的空间执行域移位自适应：输入级别，功能级别和输出级别
最受欢迎的用于语义分割的UDA策略的维恩图。每种方法都属于代表使用的自适应技术的集合
综述四
标题：A survey of loss functions for semantic segmentation（语义分割损失函数综述）
作者：Shruti Jadon
链接：
https://arxiv.org/abs/2006.14822
内容简介：
本文共梳理了23篇相关文献。在本文中，我们总结了一些众所周知的损失函数，这些函数广泛用于图像分割，并列出了使用它们可以帮助快速，更好地收敛模型的情况。此外，我们还引入了新的log-cosh骰子损失函数，并将其在NBFS头骨分割开源数据集上的性能与广泛使用的损失函数进行了比较。我们还展示了某些损失函数在所有数据集上都能很好地发挥作用，并且在未知的数据分发方案中可以被视为很好的基准选择。
语义分段损失函数的类型
二元交叉熵损失函数图。
在这里，熵在Y轴上定义，事件的概率在X轴上
语义分段损失功能的附表
综述五
标题：A Survey on Instance Segmentation: State of the art（实例分割技术综述）
作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat
链接：
https://arxiv.org/abs/2007.00047
内容简介：
本文共梳理143篇相关文章，由克什米尔大学的学者发布。目标检测或定位是从粗略到精细的数字图像推断的增量步骤。它不仅提供图像对象的类别，而且还提供已分类图像对象的位置。该位置以边界框或质心的形式给出。语义分割可通过预测输入图像中每个像素的标签来进行精细推断。每个像素根据其所在的对象类别进行标记。为进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以被定义为同时解决对象检测和语义分割问题的技术。在这份关于实例分割的调查论文中，讨论了实例分割的背景，问题，技术，演变，流行的数据集，相关技术以及最新范围。本文为那些希望在实例分割领域进行研究的人提供了宝贵的信息。
对象识别的演变
从粗略推断到细粒度推断：（a）图像分类（b）对象检测或定位（c）语义分割（d）实例分割
实例分割中重要技术的时间表
PANet框架
（a）FPN主干（b）自下而上的路径扩充（c）自适应功能池（d）盒支（e）全连接融合
Microsoft COCO数据集上值得注意的实例细分工作
学姐每周都会整理一个方向的论文，推荐给大家，所以，想省去找论文的时间就关注学姐吧！
