声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2560/TP
国际刊号：1000-9825
发布日期:
作者：田萱,王亮,丁琪
单位：田萱，北京林业大学 信息学院, 北京 10008311,王亮，北京林业大学 信息学院, 北京 10008302,丁琪，北京林业大学 信息学院, 北京 10008303
关键词：图像语义分割;深度学习;像素分类;全监督学习;弱监督学习
基金：中央高校基本科研业务费专项资金（TD2014-02）
近年来，深度学习技术已经广泛应用到图像语义分割领域.主要对基于深度学习的图像语义分割的经典方法与研究现状进行分类、梳理和总结.根据分割特点和处理粒度的不同，将基于深度学习的图像语义分割方法分为基于区域分类的图像语义分割方法和基于像素分类的图像语义分割方法.把基于像素分类的图像语义分割方法进一步细分为全监督学习图像语义分割方法和弱监督学习图像语义分割方法.对每类方法的代表性算法进行了分析介绍，并详细总结了每类方法的基本思想和优缺点，系统地阐述了深度学习对图像语义分割领域的贡献.对图像语义分割相关实验进行了分析对比，并介绍了图像语义分割实验中常用公共数据集和性能评价指标.最后，预测并分析总结了该领域未来可能的研究方向及相应的发展趋势.
来源：2019年第2期
《软件学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。