[论文解读] Image Segmentation Algorithms Overview

Yuheng Song, Hao Yan|arXiv (Cornell University)|Jul 7, 2017

Image and Object Detection Techniques参考文献 2被引用 128

一句话总结

本论文分析并总结了主要的图像分割算法（基于区域、基于边缘、聚类、弱监督CNN），并讨论它们的优点、缺点以及未来趋势。

ABSTRACT

The technology of image segmentation is widely used in medical image processing, face recognition pedestrian detection, etc. The current image segmentation techniques include region-based segmentation, edge detection segmentation, segmentation based on clustering, segmentation based on weakly-supervised learning in CNN, etc. This paper analyzes and summarizes these algorithms of image segmentation, and compares the advantages and disadvantages of different algorithms. Finally, we make a prediction of the development trend of image segmentation with the combination of these algorithms.

研究动机与目标

• 强调图像分割在医学影像、人脸识别、行人检测等领域的重要性。
• 系统性评审当前的分割技术并按基本原理对其进行分类。
• 比较不同算法家族的优点和缺点。
• 通过整合各种方法的见解，预测潜在的发展趋势。

提出的方法

• 对现有图像分割算法进行调研与分类。
• 对各类别的优劣进行定性比较。
• 讨论算法家族之间的融合机会以提升性能。

实验结果

研究问题

• RQ1 图像分割算法的主要类别有哪些？
• RQ2 基于区域、基于边缘、基于聚类以及弱监督CNN方法的相对优势与局限性有哪些？
• RQ3 通过结合不同的分割技术可以预测哪些发展趋势？

主要发现

• 各种分割方法具有各自的优势与权衡，与医学影像和识别任务等应用相关。
• 基于区域、基于边缘、基于聚类以及弱监督CNN方法各自具有独特的缺点，影响适用性。
• 建议结合多种算法的元素作为提升分割性能的途径。
• 本文提供了一个结构化的综述，以指引未来的图像分割研究。