基于深度学习的实例分割研究综述.docVIP

基于深度学习的实例分割研究综述

实例分割作为计算机视觉领域的核心任务之一，旨在同时实现目标检测与语义分割的双重目标：既要识别图像中每个目标实例的类别，又要精确预测每个实例的像素级掩码。相较于仅输出类别标签的语义分割，实例分割需要区分同类别下的不同个体，因此任务复杂度显著提升，广泛应用于自动驾驶、医疗影像分析、机器人感知、视频监控等多个场景。2014年以来，深度学习技术的快速突破为实例分割领域带来了革命性进展，从早期基于候选框的两阶段方法，到近期端到端的无锚框、Transformer架构，相关研究呈现出多路径并行发展的特征。

一、实例分割的基础任务与挑战

实例分割的核心目标可以形式化定义为：给定一张输入图像(I\in\mathbb{R}^{H\timesW\times3})，输出集合({(c_i,m_i,b_i)|i=1,2,...,N})，其中(N)为图像中目标实例的总数，(c_i)是第(i)个实例的类别标签，(m_i\in{0,1}^{H\timesW})是对应实例的二值掩码，(b_i\in\mathbb{R}^4)是实例的边界框坐标。相较于其他视觉任务，实例分割面临三类独特挑战：

类内差异与类间混淆：同一类别的不同实例可能存在姿态、尺度、遮挡程度的巨大差异，而相似类别（如猫与豹、不同类型的车辆）的