全文总字数：6412字
文献综述
文 献 综 述一、相关技术背景1.图像语义分割近年来，深度学习技术的快速发展为语义分割研究领域注入了新鲜血液，使得优秀的研究成果频出，取得了显著的突破。
语义分割作为计算机视觉领域的一大类任务，通常是指通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。
语义分割技术具有诸多应用场景，例如自动驾驶汽车、机器人技术、医学图像分析以及损伤识别等。
在这些场景下，图像语义分割技术发挥着至关重要的作用，因为其为基于像素级别的场景理解提供了采取动作所需的必要信息。
目前主流的语义分割算法各自都可分为两类，即one-stage和two-stage。
两者在算法流程上最大的区别就是one-stage的算法通过特征提取网络之后直接接上语义分割的特征扩张网络，例如，FCN[1]、U-Net[4]、SegNet[3]、RefineNet[2]、DeepLab系列网络[5][6][7][8]。
而two-stage的算法则是先通过一个专门的Region Proposal Net生成Region Of Interest，然后再通过上层的特征扩张子网络，例如，Fast R-CNN[9]、Faster R-CNN[10]、Mask R-CNN[11]。
Two-stage的算法在精度上要优于one-stage的算法，但是其精度的代价是更长的执行时间和更多的内存空间。
One-stage算法实现了端到端的预测，对于实时性要求较高的场景，使用one-stage的算法要优于two-stage的算法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
