深度学习的图像实例分割方法综述

张继凯，赵 君，张 然，吕晓琪，聂俊岚

1(内蒙古科技大学 信息工程学院，内蒙古 包头 014010) 2(内蒙古工业大学，呼和浩特 010051) 3(燕山大学 信息科学与工程学院，河北 秦皇岛，066004)

1 概 述

实例分割是计算机视觉领域的一个经典任务，它将整个图像分成一个个像素组，然后对其进行标记和分类.分类任务就是识别单个对象的图像是什么，而分割需要确定对象的边界、差异和彼此之间的联系.所以，实例分割既具备语义分割的特点，对图像中的每一个像素进行分类，也具备目标检测的一部分特点，定位出图像中同一类的不同实例.通常实例分割要面对多个物体重叠和复杂的背景，这也是为什么实例分割一直是一项挑战性的任务.以往，实例分割方法的思路可大体分为两大类，一类是自上而下的基于检测的方法，在边界框中处理实例分割，即在边界框中分割对象.另一类是自下而上的基于语义分割的方法，此类方法可概括为对像素进行标签预测然后聚类.而SOLO算法[1]的出现，创造了第3类实例分割方法，直接实例分割方法，通过掩膜标签，对实例分割进行端到端的优化，突破传统的局部边框检测和像素点聚合方法，直接进行像素级别的实例分割.综上所述，本文针对近几年基于深度学习的实例分割方法进行分类梳理，整理如图1所示.

实例分割和物体检测非常相关，在物体检测的基础上，要求分割出物体的像素，所以在一定意义上，目标检测的发展也影……