图像分割（image segmentation）技术是计算机视觉领域的重要的研究方向，近些年，图像分割技术迅猛发展，在多个视觉研究领域都有着广泛的应用。本文盘点了近20年来影响力最大的10 篇论文。注：这里的影响力以Web of Science上显示的论文的引用量排序，截止时间为2020年9月27日。

TOP10- Mask R-CNN

被引频次：1839
作者：Kaiming He，Georgia Gkioxari，Piotr Dollar，Ross Girshick.
发布信息: 2017，16th IEEE International Conference on Computer Vision (ICCV)
论文：https://arxiv.org/abs/1703.06870
代码：https://github.com/facebookresearch/Detectron

Mask R-CNN作为非常经典的实例分割（Instance segmentation）算法，在图像分割领域可谓“家喻户晓”。Mask R-CNN不仅在实例分割任务中表现优异，还是一个非常灵活的框架，可以通过增加不同的分支完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种不同的任务。

TOP9-SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation

被引频次：1937
作者: Vijay Badrinarayanan，Alex Kendall，Roberto Cipolla
发布信息：2015，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
论文：https://arxiv.org/pdf/1511.00561.pdf
代码：https://github.com/aizawan/segnet

SegNet是用于进行像素级别图像分割的全卷积网络。SegNet与FCN的思路较为相似，区别则在于Encoder中Pooling和Decoder的Upsampling使用的技术。Decoder进行上采样的方式是Segnet的亮点之一，SegNet主要用于场景理解应用，需要在进行inference时考虑内存的占用及分割的准确率。同时，Segnet的训练参数较少，可以用SGD进行end-to-end训练。

TOP8-DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

被引频次：2160
作者: Chen Liang-Chieh，Papandreou George，Kokkinos Iasonas等.
发布信息：2018，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
DeepLabv1：https://arxiv.org/pdf/1412.7062v3.pdf
DeepLabv2：https://arxiv.org/pdf/1606.00915.pdf
DeepLabv3：https://arxiv.org/pdf/1706.05587.pdf
DeepLabv3+：https://arxiv.org/pdf/1802.02611.pdf
代码：https://github.com/tensorflow/models/tree/master/research/deeplab

DeepLab系列采用了Dilated/Atrous Convolution的方式扩展感受野，获取更多的上下文信息，避免了DCNN中重复最大池化和下采样带来的分辨率下降问题。2018年，Chen等人发布Deeplabv3+，使用编码器-解码器架构。DeepLabv3+在2012年pascal VOC挑战赛中获得89.0%的mIoU分数。

TOP7-Contour Detection and Hierarchical Image Segmentation

被引频次：2231
作者: Arbelaez Pablo，Maire Michael，Fowlkes Charless等.
发布信息：2011，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
论文和代码：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html

Contour Detection and Hierarchical Image Segmentation通过检测轮廓来进行分割，以解决不加交互的图像分割问题，是分割领域中非常重要的一篇文章，后续很多边缘检测算法都利用了该模型。

TOP6-Efficient graph-based image segmentation

被引频次：3302
作者：Felzenszwalb PF，Huttenlocher DP
发布信息：2004，INTERNATIONAL JOURNAL OF COMPUTER VISION
论文和代码：http://cs.brown.edu/people/pfelzens/segment/

Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图的贪心聚类算法，实现简单。目前虽然直接用其做分割的较少，但许多算法都用它作为基石。

TOP5-SLIC Superpixels Compared to State-of-the-Art Superpixel Methods

被引频次：4168
作者: Radhakrishna Achanta，Appu Shaji，Kevin Smith，Aurelien Lucchi，Pascal Fua，Sabine Susstrunk.
发布信息：2012，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
论文和代码：https://ivrlwww.epfl.ch/supplementary_material/RK_SLICSuperpixels/index.html

SLIC 算法将K-means 算法用于超像素聚类，是一种思想简单、实现方便的算法，SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，比较符合人们期望的分割效果。

TOP4-U-Net: Convolutional Networks for Biomedical Image Segmentation

被引频次：6920
作者: Ronneberger Olaf，Fischer Philipp，Brox Thomas
发布信息：2015，18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI)

论文：https://arxiv.org/pdf/1505.04597.pdf
代码：https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/

U-Net是一种基于深度学习的图像语义分割方法，在医学图像分割领域表现尤为优异。它基于FCNs做出改进，相较于FCN多尺度信息更加丰富，同时适合超大图像分割。作者采用数据增强（data augmentation），通过使用在粗糙的3*3点阵上的随机取代向量来生成平缓的变形，解决了可获得的训练数据很少的问题。并使用加权损失（weighted loss）以解决对于同一类的连接的目标分割。

TOP3-Mean shift: A robust approach toward feature space analysis

被引频次：6996
作者: Comaniciu D，Meer P
发布信息：2002，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE

论文：https://courses.csail.mit.edu/6.869/handouts/PAMIMeanshift.pdf

Meanshift是基于像素聚类的代表方法之一，是一种特征空间分析方法。密度估计(Density Estimation) 和mode 搜索是Meanshift的两个核心点。对于图像数据，其分布无固定模式可循，所以密度估计必须用非参数估计，选用的是具有平滑效果的核密度估计（Kernel density estimation，KDE）。Meanshift 算法的稳定性、鲁棒性较好，有着广泛的应用。但是分割时所包含的语义信息较少，分割效果不够理想，无法有效地控制超像素的数量，且运行速度较慢，不适用于实时处理任务。

TOP2-Normalized cuts and image segmentation

被引频次：8056
作者：Shi JB，Malik J
发布信息：2000，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 论文：https://ieeexplore.ieee.org/abstract/document/1000236

论文：https://pdfs.semanticscholar.org/d5d0/2b093162096005834ee22def530de6c1f7eb.pdf

NormalizedCut是基于图论的分割方法代表之一，与以往利用聚类的方法相比，更加专注于全局解的情况，并且根据图像的亮度，颜色，纹理进行划分。

Top1-Fully Convolutional Networks for Semantic Segmentation

被引频次：8170
作者: Long Jonathan，Shelhamer Evan，Darrell Trevor
发布信息：2015，IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
论文：https://arxiv.org/abs/1411.4038
代码：https://github.com/shelhamer/fcn.berkeleyvision.org

FCN是图像分割领域里程碑式论文。作为语义分割的开山之作，FCN是当之无愧的TOP1。它提出了全卷积网络(FCN)的概念，针对语义分割训练了一个端到端，点对点的网络，它包含了三个CNN核心思想：

（1）不含全连接层(fc)的全卷积(fully conv)网络。可适应任意尺寸输入。
（2）增大数据尺寸的反卷积(deconv)层。能够输出精细的结果。
（3）结合不同深度层结果的跳级(skip)结构。同时确保鲁棒性和精确性。

图像分割二十年，盘点影响力最大的10篇论文（含论文和源代码）相关推荐

CVPR 二十年，影响力最大的 10 篇论文
前言转载于CVPR 二十年,影响力最大的 10 篇论文! 我们将对计算机视觉领域三大顶会之一CVPR在近二十年来中产生的优秀论文进行一个全面的盘点与总结. CVPR是计算机视觉领域三大顶会中唯一一个 ...
【CV】图像分割二十年，盘点影响力最大的10篇论文
编辑丨极市平台极市导读图像分割(image segmentation)技术是计算机视觉领域的重要的研究方向,近些年,图像分割技术迅猛发展,在多个视觉研究领域都有着广泛的应用.本文盘点了近20年来影 ...
图像分割二十年，盘点影响力最大的10篇论文
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达导读图像分割(image segmentation)技术是计算机视觉领域的重要的研究方向,近些年,图 ...
图像分割20年，盘点影响力最大的10篇论文
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达导读图像分割(image segmentation)技术是计算机 ...
FlyAI资讯：收藏！深度学习必读10篇经典算法论文总结！
前言目录前言 1998年:LeNet 2012年:AlexNet 2014年:VGG 2014年:GoogLeNet 2015年:Batch Normalization 2015年:ResNet ...
解读 | 2019年10篇计算机视觉精选论文（中）
导读:2019 年转眼已经接近尾声,我们看到,这一年计算机视觉(CV)领域又诞生了大量出色的论文,提出了许多新颖的架构和方法,进一步提高了视觉系统的感知和生成能力.因此,我们精选了 2019 年十大 ...
专家票选！ 2020 年度 10 篇人工智能经典论文（6-10）
内容提要:近日,多家机构发布了关于人工智能的年终回顾总结,从种种表现来看,疫情之下,AI 依然蓬勃发展,全球 AI 产业规模达到 1500 多亿美元.这背后,又有哪些突破性的研究值得关注? 关键词:A ...
解读 | 2019 年 10 篇计算机视觉精选论文（中）
By 超神经内容一览:2019 年转眼已经接近尾声,我们看到,这一年计算机视觉(CV)领域又诞生了大量出色的论文,提出了许多新颖的架构和方法,进一步提高了视觉系统的感知和生成能力.因此,我们精选了 ...
中小型研发团队架构落地实践18篇，含案例、代码
1 写在前面中小型研发团队很多,而社区在中小型研发团队架构实践方面的探讨却很少.中小型研发团队特别是 50 至 200 人的研发团队,在早期的业务探索阶段,更多关注业务逻辑,快速迭代以验证商业模式, ...

图像分割二十年，盘点影响力最大的10篇论文（含论文和源代码）