音 松，陈雪云，贝学宇

（广西大学 电气工程学院，南宁 530004）

0 概述

行人实例分割［1-3］技术目前已被广泛应用于车辆自动驾驶、视频监控［4］和机器人等领域，然而在实际应用场景中，行人姿态、背景、遮挡、光照等因素都会对检测精度产生较大影响。因此，行人的实例分割成为一项具有挑战性的研究课题。

目标检测［5］是检测图像中目标的位置框，语义分割是识别图像中每个像素点对应的物体语义信息，实例分割则将两者相结合，即识别检测出位置框中每个像素点的类别归属。现有基于深度学习的目标检测算法主要可分为基于候选区域和基于端到端两类。基于候选区域的算法分两阶段来完成检测，例如：RCNN［6］先通过选择性搜索产生候选框，再通过支持向量机（Support Vector Machine，SVM）进行分类；Fast RCNN［7］先通过选择性搜索产生候选框，利用VGGNet［8］进行特征提取并引入RoI Pooling 层，从而消除对输入图像的尺寸限制，再通过softmax 进行分类；Faster RCNN［9］通过区域候选网络（Region Proposal Network，RPN）产生候选框，使检测精度和速度得到提高。基于端到端的算法只需要一个阶段即可完成检测，如YOLO［10］、YOLO 9000［11］、YOLO V3［12］等。这些算法将骨干网络 从GoogLeNet［13］换为DarkNet，利用回归的思想来完成目标检测，其对于输入的一张完整图像直接得出目标位置和类别概率。得益于卷积网络的发展，语义分割研究近年来也取得了极大的突破，例如：DeepLab V1［14］利用空洞卷积并通过条件随机场（Conditional Random Field，CRF）做后处理；DeepLab V2［15］利用空洞金字塔池化，对不同分支采用不同的空洞率来获得不同尺度的图像特征；DeepLab V3［16］优化了空洞金字塔池化并增加了BN 层，取消了CRF 的后处理过程；……