歡迎來到《每周CV論文推薦》。在這個(gè)專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統(tǒng)性完成學(xué)習(xí)，所以我們推薦的文章也必定是同一主題的。

圖像分割作為計(jì)算機(jī)視覺的基礎(chǔ)任務(wù)之一，應(yīng)用非常廣泛，今天給大家推薦初學(xué)深度學(xué)習(xí)圖像分割必讀的一些文章。

作者&編輯 | 言有三

1 FCN

Fully Convolutional Network（FCN）作為公認(rèn)的卷積神經(jīng)網(wǎng)絡(luò)用于圖像分割任務(wù)的鼻祖，當(dāng)然是入門首選。

文章引用量：10000+

推薦指數(shù)：?????

[1] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.

2 UNet與SegNet

UNet和SegNet兩個(gè)模型都是對稱的編解碼結(jié)構(gòu)，與FCN是同一時(shí)期的圖像分割模型，都是最經(jīng)典的網(wǎng)絡(luò)架構(gòu)之一。

文章引用量：7000+

推薦指數(shù)：?????

[2] Badrinarayanan V, Kendall A, Cipolla R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(12): 2481-2495.

[3] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241.

3 DenseCRF與Deeplab

在深度學(xué)習(xí)應(yīng)用于圖像分割之前，基于CRF的Graph Cuts(圖割)算法才是王者。

Deeplab[5]將DenseCRF[4]應(yīng)用于分割結(jié)果的后處理改進(jìn)，CRFasRNN[6]則將其直接融合到CNN模型中。

其中，在Deeplab中還在圖像分割網(wǎng)絡(luò)中使用了帶孔卷積，文[7]則首次在網(wǎng)絡(luò)中系統(tǒng)性使用帶孔卷積。

文章引用量：9000+

推薦指數(shù)：?????

[4] Kr?henbühl P, Koltun V. Efficient inference in fully connected crfs with gaussian edge potentials[C]//Advances in neural information processing systems. 2011: 109-117.

[5]?Chen L C, Papandreou G, Kokkinos I, et al. Semantic image segmentation with deep convolutional nets and fully connected crfs[J]. arXiv preprint arXiv:1412.7062, 2014.

[6]?Zheng S, Jayasumana S, Romera-Paredes B, et al. Conditional random fields as recurrent neural networks[C]//Proceedings of the IEEE international conference on computer vision. 2015: 1529-1537.

[7]?Yu F, Koltun V. Multi-scale context aggregation by dilated convolutions[J]. arXiv preprint arXiv:1511.07122, 2015.

4 ParseNet和PSPNet

多尺度和特征融合對于語義分割任務(wù)非常重要，ParseNet[8]使用了全局特征和局部特征融合的方案，PSPNet[9]則使用了多尺度的池化特征，都是早期比較經(jīng)典的模型。

文章引用量：600+

推薦指數(shù)：?????

[8] Liu W, Rabinovich A, Berg A C. Parsenet: Looking wider to see better[J]. arXiv preprint arXiv:1506.04579, 2015.

[9]?Zhao H, Shi J, Qi X, et al. Pyramid scene parsing network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2881-2890.

5 如何獲取文章與交流

找到有三AI開源項(xiàng)目即可獲取。

https://github.com/longpeng2008/yousan.ai

文章細(xì)節(jié)眾多，閱讀交流在有三AI知識星球中進(jìn)行，感興趣可以加入。

總結(jié)

以上就是初次學(xué)習(xí)圖像分割需要讀的文章，下一次，我們將推薦入門GAN需要讀的文章。

有三AI夏季劃

有三AI夏季劃進(jìn)行中，歡迎了解并加入，系統(tǒng)性成長為中級CV算法工程師。

轉(zhuǎn)載文章請后臺聯(lián)系

侵權(quán)必究

往期精選

• 【每周論文推薦】 初入深度學(xué)習(xí)CV領(lǐng)域必讀的幾篇文章

• 【每周CV論文推薦】 掌握殘差網(wǎng)絡(luò)必讀的10多篇文章

• 【每周CV論文推薦】 初學(xué)者必須精讀的5篇深度學(xué)習(xí)優(yōu)化相關(guān)文章

• 【每周CV論文推薦】 CV領(lǐng)域中數(shù)據(jù)增強(qiáng)相關(guān)的論文推薦

• 【每周CV論文推薦】 初學(xué)高效率CNN模型設(shè)計(jì)應(yīng)該讀的文章

• 【每周CV論文推薦】 初學(xué)目標(biāo)檢測必須要讀的文章

總結(jié)

以上是生活随笔為你收集整理的【每周CV论文推荐】 初学深度学习图像分割必须要读的文章的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。