图像分割作为自动驾驶、医疗诊断等关键领域的基础技术，其性能常受数据中不平衡分布的制约。本书聚焦图像分割领域的数据不平衡问题，针对数据不平衡固有的内涵问题及在语义分割、长尾实例分割、实时实例分割和显著性实例分割等领域的外延问题开展多视角下的、层次化的平衡策略研究。本书提出的各类方法在公开数据集与自建数据集中均展现出优异性能，且在理论和实践中均验证了其科学性与有效性。这为图像分割领域提供了数据视角下新的解决方案，为相关应用场景的落地提供了极具价值的理论与方法支撑。

更多科学出版社服务，请扫码获取。

1998-09 至 2002-06, 国防科技大学, 计算机及应用, 学士 2002-09 至 2005-04, 中南大学, 模式识别与智能系统, 硕士 2017-08 至 2023-01, 天津大学, 计算机应用技术, 博士2005.05-2009.02 宁波波导股份有限分公司 软件工程师 2009.02至今 海南大学教师 作为通讯作者、第一作者发表论文26篇，其中SCI检索17篇、EI检索18篇，其他核心期刊检索9篇（CCF）。 1. Zhao Yaochi, Chen Sen, Liu Shiguang*, Hu Zhuhua, Xia Jingwen, Hierarchical Equalization Loss for Long-Tailed Instance Segmentation，IEEE TRANSACTIONS ON MULTIMEDIA, 2024. IF:8.4,Q1. 2. Zhao Yaochi, Chen Sen, Chen Qiong, Hu Zhuhua*, Combining Loss Reweighting and Sample Resampling for Long-Tailed Instance Segmentation, 2023, ICASSP. (CCF B)海南省人工智能学会多模态信息智能处理与决策管控专业委员会委员

目录
前言
第1章 绪论 1
1.1 研究背景与意义 1
1.1.1 图像分割 1
1.1.2 平衡视角下的图像分割 2
1.2 本书的研究内容 2
1.3 本书各章节的安排 5
第2章 平衡视角下图像分割研究综述 7
2.1 平衡视角下简单场景图像分割 7
2.1.1 均匀效应的产生条件和性状 7
2.1.2 针对均匀效应的改进 8
2.1.3 存在的问题 9
2.2 平衡视角下复杂场景图像分割 9
2.2.1 基于代价敏感不平衡深度学习的图像分割 11
2.2.2 长尾实例分割方法 17
2.2.3 实时实例分割方法 20
2.2.4 显著性实例分割方法 20
第3章 基于G_Otsu的简单场景图像分割方法 22
3.1 引言 22
3.2 问题描述 23
3.3 基于高斯分离度的Otsu改进方法 23
3.3.1 Otsu方法的阈值偏移方向 23
3.3.2 Otsu方法的阈值偏移程度 24
3.3.3 高斯分离度 26
3.3.4 G_Otsu 26
3.4 基于G_Otsu的炭疽孢子图像分割实验 27
3.4.1 GSD的有效性 29
3.4.2 G_Otsu与传统方法的比较 29
3.4.3 G_Otsu与基于深度学习方法的比较 32
iv 不平衡图像分割方法
3.5 基于G_Otsu的视频监控场景分析实验 34
3.6 本章小结 37
第4章 约束聚焦于小类学习的图像分割方法 39
4.1 引言 39
4.2 问题描述 40
4.3 约束聚焦于小类的代价敏感学习 42
4.3.1 约束聚焦于小类的代价敏感损失 42
4.3.2 约束聚焦于小类像素和边界像素的代价敏感损失 44
4.4 实验结果和分析 45
4.4.1 CFM和CFM*与现有代价敏感损失的比较 45
4.4.2 CFM中聚焦参数的分析 47
4.5 本章小结 50
第5章 聚焦于陌生样本学习的图像分割方法 51
5.1 引言 51
5.2 问题描述 52
5.2.1 类内样本聚合信息的丢弃 53
5.2.2 标注错误对代价的干扰 54
5.2.3 竞争性判决存在的偏移问题 55
5.3 特征量的探讨 56
5.3.1 特征量的含义 56
5.3.2 不平衡学习中的特征量 56
5.4 基于陌生样本的学习和推理 58
5.4.1 聚焦于陌生样本学习的实例级代价敏感损失 58
5.4.2 聚焦于陌生样本学习的类别级和实例级混合的代价敏感损失 59
5.4.3 偏向于陌生样本的推理 59
5.5 实验结果及分析 60
5.5.1 基于陌生样本学习和推理的语义分割实验 60
5.5.2 基于陌生样本学习和推理的显著性实例分割实验 68
5.6 本章小结 72
第6章 基于多视角、层次化的不平衡学习的长尾实例分割方法 73
6.1 引言 73
6.2 方法论 75
6.2.1 问题定义 75
6.2.2 多层级上分层均衡 77
6.3 实验 82
6.3.1 实验设置 82
6.3.2 LVISv1.0数据集上的结果 82
6.3.3 LVISv1.0数据集的消融实验 86
6.3.4 LVISv1.0数据集上超参数对模型性能的影响 87
6.3.5 COCO-LT数据集上的实验 88
6.4 本章小结 89
第7章 基于任务间平衡学习的显著性实例分割方法 90
7.1 引言 90
7.2 用于显著性实例分割的平衡RoIMasking 91
7.2.1 现有的RoIMasking 91
7.2.2 扩展光滑RoIMasking（SM） 93
7.2.3 扩展残差RoIMasking（MM） 94
7.3 实验结果 95
7.3.1 数据集 95
7.3.2 实验细节 95
7.3.3 消融实验 96
7.3.4 显著性实例分割的评估 99
7.4 本章小结 99
第8章 基于软硬注意力机制和不平衡学习的单阶段实例分割方法 101
8.1 引言 101
8.2 方法论 102
8.2.1 总体体系结构 102
8.2.2 软硬注意力融合 103
8.2.3 串行和并行特征融合 103
8.2.4 损失函数 104
8.3 实验 104
8.3.1 数据集和评价指标 104
8.3.2 实验细节 105
8.3.3 实验结果 105
8.4 本章小结 108
参考文献 110
彩图