• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于深度学习的场景分割算法研究综述

张蕊, 李锦涛

张蕊, 李锦涛. 基于深度学习的场景分割算法研究综述[J]. 计算机研究与发展, 2020, 57(4): 859-875. DOI: 10.7544/issn1000-1239.2020.20190513
引用本文: 张蕊, 李锦涛. 基于深度学习的场景分割算法研究综述[J]. 计算机研究与发展, 2020, 57(4): 859-875. DOI: 10.7544/issn1000-1239.2020.20190513
shu
Zhang Rui, Li Jintao. A Survey on Algorithm Research of Scene Parsing Based on Deep Learning[J]. Journal of Computer Research and Development, 2020, 57(4): 859-875. DOI: 10.7544/issn1000-1239.2020.20190513
Citation: Zhang Rui, Li Jintao. A Survey on Algorithm Research of Scene Parsing Based on Deep Learning[J]. Journal of Computer Research and Development, 2020, 57(4): 859-875. DOI: 10.7544/issn1000-1239.2020.20190513
shu
张蕊, 李锦涛. 基于深度学习的场景分割算法研究综述[J]. 计算机研究与发展, 2020, 57(4): 859-875. CSTR: 32373.14.issn1000-1239.2020.20190513
引用本文: 张蕊, 李锦涛. 基于深度学习的场景分割算法研究综述[J]. 计算机研究与发展, 2020, 57(4): 859-875. CSTR: 32373.14.issn1000-1239.2020.20190513
shu
Zhang Rui, Li Jintao. A Survey on Algorithm Research of Scene Parsing Based on Deep Learning[J]. Journal of Computer Research and Development, 2020, 57(4): 859-875. CSTR: 32373.14.issn1000-1239.2020.20190513
Citation: Zhang Rui, Li Jintao. A Survey on Algorithm Research of Scene Parsing Based on Deep Learning[J]. Journal of Computer Research and Development, 2020, 57(4): 859-875. CSTR: 32373.14.issn1000-1239.2020.20190513
shu

基于深度学习的场景分割算法研究综述

  • 1(中国科学院计算技术研究所 北京 100190)

  • 2(上海寒武纪信息科技有限公司 上海 200135) (zhangrui@ict.ac.cn)

基金项目: 国家重点研发计划项目(2017YFA0700900，2017YFA0700902，2017YFA0700901，2017YFB1003101);国家自然科学基金项目(61432016,61532016,61672491,61602441,61602446,61732002,61702478,61732007，61732020);北京市自然科学基金项目(JQ18013);国家“九七三”重点基础研究发展计划基金项目(2015CB358800);“核高基”国家科技重大专项基金项目(2018ZX01031102);中国科学院科技成果转移转化重点专项基金项目(KFJ-HGZX-013);中国科学院前沿科学重点研究项目(QYZDB-SSW-JSC001);中国科学院战略性先导科技专项(XDB32050200,XDC01020000);中国科学院标准化研究项目(BZ201800001)
详细信息

  • 中图分类号: TP391

A Survey on Algorithm Research of Scene Parsing Based on Deep Learning

  • 1(Institute of Computing Technology, Chinese Academic of Sciences, Beijing 100190)

  • 2(Cambricon Tech. Ltd, Shanghai 200135)

Funds: This work was supported by the National Key Research and Development Program of China (2017YFA0700900, 2017YFA0700902, 2017YFA0700901, 2017YFB1003101), the National Natural Science Foundation of China (61432016, 61532016, 61672491, 61602441, 61602446, 61732002, 61702478, 61732007, 61732020), the Beijing Natural Science Foundation (JQ18013), the National Basic Research Program of China (973 Program) (2015CB358800), the National Science and Technology Major Projects of Hegaoji (2018ZX01031102), the Transformation and Transfer of Scientific and Technological Achievements of Chinese Academy of Sciences (KFJ-HGZX-013), the Key Research Projects in Frontier Science of Chinese Academy of Sciences (QYZDB-SSW-JSC001), the Strategic Priority Research Program of Chinese Academy of Sciences (XDB32050200, XDC01020000), and the Standardization Research Project of Chinese Academy of Sciences (BZ201800001).

摘要

    摘要
  • 摘要: 场景分割的目标是判断场景图像中每个像素的类别.场景分割是计算机视觉领域重要的基本问题之一，对场景图像的分析和理解具有重要意义，同时在自动驾驶、视频监控、增强现实等诸多领域具有广泛的应用价值.近年来，基于深度学习的场景分割技术取得了突破性进展，与传统场景分割算法相比获得分割精度的大幅度提升.首先分析和描述场景分割问题面临的3个主要难点：分割粒度细、尺度变化多样、空间相关性强；其次着重介绍了目前大部分基于深度学习的场景分割算法采用的“卷积-反卷积”结构；在此基础上，对近年来出现的基于深度学习的场景分割算法进行梳理，介绍针对场景分割问题的3个主要难点，分别提出基于高分辨率语义特征图、基于多尺度信息和基于空间上下文等场景分割算法；简要介绍常用的场景分割公开数据集；最后对基于深度学习的场景分割算法的研究前景进行总结和展望.
    Abstract: Scene parsing aims to predict the category of each pixel in a scene image. Scene parsing is a fundamental and important task in computer vision. It has great significance of analyzing and understanding scene images, and has a wide range of applications in many fields such as automatic driving, video surveillance, and augmented reality. Recently, scene parsing algorithm based on deep learning has a breakthrough, and achieves great improvement compared with the traditional scene parsing algorithms. In this survey, we firstly analyze and describe the three difficulties in scene parsing, including fine-grained parsing results, multiple scale deformations, and strong spatial relationships. Then we focus on the “convolutional-deconvolutional” framework which is widely used in most of the deep learning based scene parsing algorithms. Furthermore, we introduce the newly proposed scene parsing algorithm based on deep learning in recent years. To tackle the three difficulties in scene parsing, the recent deep learning based algorithms employ high-resolution feature maps, multi-scale information and contextual information to further improve the performance of scene parsing. After that, we briefly introduce the common public scene parsing datasets. Finally, we make the conclusion for scene parsing algorithm based on deep learning and point out some potential opportunities.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(104)

  • 期刊类型引用(29)

    1. 丁森阳，徐向华. 基于字段信息和覆盖率反馈的协议模糊测试方法. 软件工程. 2025(02): 56-60+66 . 百度学术
    2. 唐成华，蔡维嘉，杨萌萌，强保华. CBFuzzer：基于执行上下文导向及保护突破的程序缺陷模糊检测. 计算机研究与发展. 2025(03): 790-807 . 本站查看
    3. 陆力瑜，刘媛，洪超，曹扬，莫蓓蓓，匡晓云，杨祎巍. 基于影响性导向的模糊测试种子筛选方法. 网络安全技术与应用. 2024(02): 44-46 . 百度学术
    4. 侍言，羌卫中，邹德清，金海. 进化内核模糊测试研究综述. 网络与信息安全学报. 2024(01): 1-21 . 百度学术
    5. 王明义，甘水滔，王晓锋，刘渊. 基于种子智能生成的内核模糊测试模型. 信息安全学报. 2024(03): 124-137 . 百度学术
    6. 李志博，李清宝，兰明敬. 基于ART优化选择策略的遗传算法生成测试数据方法. 计算机科学. 2024(06): 95-103 . 百度学术
    7. 崔展齐，张家铭，郑丽伟，陈翔. 覆盖率制导的灰盒模糊测试研究综述. 计算机学报. 2024(07): 1665-1696 . 百度学术
    8. 王琴应，许嘉诚，李宇薇，潘祖烈，张玉清，张超，纪守领. 智能模糊测试综述:问题探索和方法分类. 计算机学报. 2024(09): 2059-2083 . 百度学术
    9. 许爱东，徐培明，尚进，孙钦东. 基于强化学习多算法组合模型的智能化模糊测试技术. 计算机工程与应用. 2024(20): 284-292 . 百度学术
    10. 张翔，王峰，李兴华，查娟娟，叶家敏. 基于包序列变异和反馈引导的电力通信协议模糊测试方法. 宁夏电力. 2024(05): 70-75 . 百度学术
    11. 刘羿希，何俊，吴波，刘丙童，李子玉. DevSecOps中软件安全性测试技术综述. 计算机应用. 2024(11): 3470-3478 . 百度学术
    12. 李泽源，尹中旭，宗国笑，桑海涯. 基于多目标支配分析和路径动态修剪优化的定向模糊测试技术. 计算机应用研究. 2024(11): 3455-3463 . 百度学术
    13. 纪守领，王琴应，陈安莹，赵彬彬，叶童，张旭鸿，吴敬征，李昀，尹建伟，武延军. 开源软件供应链安全研究综述. 软件学报. 2023(03): 1330-1364 . 百度学术
    14. 孙力立 ，张培华 ，武成岗 ，王喆 . JavaScript引擎JIT代码的类型混淆缺陷检测器. 高技术通讯. 2023(03): 251-260 . 百度学术
    15. 白英民，师智斌，信文阁，窦建民，张舒娟，王子建. 基于词嵌入与Shapelet时序特征的智能合约漏洞检测方法研究. 中北大学学报(自然科学版). 2023(04): 381-387 . 百度学术
    16. 樊志强，王洪宇，刘日昇. 命令行接口模糊测试漏洞挖掘研究及应用. 网络安全与数据治理. 2023(07): 61-66+78 . 百度学术
    17. 王鹃，张冲，龚家新，李俊娥. 基于机器学习的模糊测试研究综述. 信息网络安全. 2023(08): 1-16 . 百度学术
    18. 李航宇，方浩然，曲彦文，郭帆. ADFuzz：使用异常检测筛选低频路径高效模糊测试. 计算机研究与发展. 2023(08): 1912-1924 . 本站查看
    19. 刘博洋，刘潮，任艺琳，满芮，苗晗. 基于模糊测试工控协议漏洞挖掘技术研究. 科技风. 2023(24): 78-80 . 百度学术
    20. 白海波. 人工智能技术在模糊测试中的应用. 数字技术与应用. 2023(08): 16-18 . 百度学术
    21. 张颖君，周赓，程亮，孙晓山，张阳. 基于双重覆盖信息协同的协议模糊测试. 计算机系统应用. 2023(09): 32-42 . 百度学术
    22. 王宇，黄松，曲豫宾. 面向深度学习的模糊测试研究进展. 安庆师范大学学报(自然科学版). 2023(03): 66-73 . 百度学术
    23. 陈锦山，余斯航，祁琦，孙鑫，安珂欣，李俊娥. 针对VxWorks电力工控终端的模糊测试方法. 电力信息与通信技术. 2023(09): 15-22 . 百度学术
    24. 郑鹏，沙乐天. 基于混合分析的Java反序列化漏洞检测方法. 计算机工程. 2023(12): 136-145 . 百度学术
    25. 王雨绚，张之江，姚旭寅，李伟杰，杨融. 机载网络安保测试方法研究. 工业控制计算机. 2022(03): 95-97 . 百度学术
    26. 刘林彬，苗泉强，李俊娥. 基于模糊测试的GOOSE协议解析漏洞挖掘方法. 中国电力. 2022(04): 33-43 . 百度学术
    27. 程亮，王化磊，张阳，孙晓山. 基于聚类和新覆盖信息的模糊测试改进. 计算机系统应用. 2022(09): 192-200 . 百度学术
    28. 王朝晖，殷哲，刘娟. 软件供应链开源组件安全风险评估. 电子技术与软件工程. 2022(22): 80-84 . 百度学术
    29. 张琦，马莺姿. 模糊测试器AFL种子变异策略优化研究. 现代信息科技. 2021(24): 142-145 . 百度学术

    其他类型引用(75)

    • 资源附件(0)
计量
  • 文章访问数:  2484
  • HTML全文浏览量:  22
  • PDF下载量:  1110
  • 被引次数: 104
出版历程
  • 发布日期:  2020-03-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(104)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计