کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863807 1439523 2018 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Methods and datasets on semantic segmentation: A review
ترجمه فارسی عنوان
روش ها و مجموعه داده ها بر تقسیم معنایی: یک بررسی
کلمات کلیدی
ترجمه چکیده
تقسیم بندی معنایی، همچنین برچسب زدن به صحنه، به فرایند تعیین یک برچسب معنایی (به عنوان مثال ماشین، افراد و جاده) به هر پیکسل تصویر اشاره دارد. این یک مرحله ضروری برای پردازش اطلاعات برای روبات ها و دیگر سیستم های بدون سرنشین برای درک صحنه های اطراف است. به رغم دهه های تلاش، تقسیم بندی معنایی هنوز به دلیل تغییرات زیادی در صحنه های طبیعی بسیار مشکل است. در این مقاله، ما یک بررسی سیستماتیک پیشرفت های اخیر در این زمینه ارائه می کنیم. به طور خاص، سه دسته روش ها مورد بررسی و مقایسه قرار می گیرند، از جمله آنهایی که براساس ویژگی های دستی طراحی شده، ویژگی های آموخته شده و یادگیری تحت نظارت تحت تاثیر قرار گرفته اند. علاوه بر این، تعدادی از مجموعه داده های محبوب را برای تسهیل توسعه الگوریتم های تقسیم بندی جدید معرفی می کنیم. به منظور نشان دادن مزایا و معایب مدل های تقسیم بندی معنایی مختلف، ما یک سری مقایسه ها را بین آنها انجام می دهیم. بحث های عمیق در مورد مقایسه ها نیز ارائه شده است. در نهایت، این بررسی با بحث در مورد زمینه ها و چالش های آینده در این زمینه مهم تحقیق نتیجه گیری می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
روش ها و مجموعه داده ها بر تقسیم معنایی: یک بررسی
چکیده انگلیسی
Semantic segmentation, also called scene labeling, refers to the process of assigning a semantic label (e.g. car, people, and road) to each pixel of an image. It is an essential data processing step for robots and other unmanned systems to understand the surrounding scene. Despite decades of efforts, semantic segmentation is still a very challenging task due to large variations in natural scenes. In this paper, we provide a systematic review of recent advances in this field. In particular, three categories of methods are reviewed and compared, including those based on hand-engineered features, learned features and weakly supervised learning. In addition, we describe a number of popular datasets aiming for facilitating the development of new segmentation algorithms. In order to demonstrate the advantages and disadvantages of different semantic segmentation models, we conduct a series of comparisons between them. Deep discussions about the comparisons are also provided. Finally, this review is concluded by discussing future directions and challenges in this important field of research.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 304, 23 August 2018, Pages 82-103
نویسندگان
, , , , , , ,