前言
图像分割（image segmentation）技术是计算机视觉领域的个重要的研究方向，近些年，图像分割技术迅猛发展，在多个视觉研究领域都有着广泛的应用。文章盘点了近20年来影响力最大的 10 篇论文。
注：这里的影响力以Web of Science上显示的论文的引用量排序，截止时间为2020年9月27日。
TOP10
Mask R-CNN
被引频次：1839
作者：Kaiming He，Georgia Gkioxari，Piotr Dollar，Ross Girshick.
发布信息: 2017，16th IEEE International Conference on Computer Vision (ICCV)
论文：https://arxiv.org/abs/1703.06870
代码：https://github.com/facebookresearch/Detectron
Mask R-CNN作为非常经典的实例分割（Instance segmentation）算法，在图像分割领域可谓“家喻户晓”。Mask R-CNN不仅在实例分割任务中表现优异，还是一个非常灵活的框架，可以通过增加不同的分支完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种不同的任务。
TOP9
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
被引频次：1937
作者: Vijay Badrinarayanan，Alex Kendall，Roberto Cipolla
发布信息：2015，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
论文：https://arxiv.org/pdf/1511.00561.pdf
代码：https://github.com/aizawan/segnet
SegNet是用于进行像素级别图像分割的全卷积网络。SegNet与FCN的思路较为相似，区别则在于Encoder中Pooling和Decoder的Upsampling使用的技术。Decoder进行上采样的方式是Segnet的亮点之一，SegNet主要用于场景理解应用，需要在进行inference时考虑内存的占用及分割的准确率。同时，Segnet的训练参数较少，可以用SGD进行end-to-end训练。
TOP8
DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
被引频次：2160
作者: Chen Liang-Chieh，Papandreou George，Kokkinos Iasonas等.
发布信息：2018，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
DeepLabv1：https://arxiv.org/pdf/1412.7062v3.pdf
DeepLabv2：https://arxiv.org/pdf/1606.00915.pdf
DeepLabv3：https://arxiv.org/pdf/1706.05587.pdf
DeepLabv3+：https://arxiv.org/pdf/1802.02611.pdf
代码：https://github.com/tensorflow/models/tree/master/research/deeplab
DeepLab系列采用了Dilated/Atrous Convolution的方式扩展感受野，获取更多的上下文信息，避免了DCNN中重复最大池化和下采样带来的分辨率下降问题。2018年，Chen等人发布Deeplabv3+，使用编码器-解码器架构。DeepLabv3+在2012年pascal VOC挑战赛中获得89.0%的mIoU分数。
DeepLabv3+
TOP7
Contour Detection and Hierarchical Image Segmentation
被引频次：2231
作者: Arbelaez Pablo，Maire Michael，Fowlkes Charless等.
发布信息：2011，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
论文和代码：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html
Contour Detection and Hierarchical Image Segmentation通过检测轮廓来进行分割，以解决不加交互的图像分割问题，是分割领域中非常重要的一篇文章，后续很多边缘检测算法都利用了该模型。
TOP6
Efficient graph-based image segmentation
被引频次：3302
作者：Felzenszwalb PF，Huttenlocher DP
发布信息：2004，INTERNATIONAL JOURNAL OF COMPUTER VISION
论文和代码：http://cs.brown.edu/people/pfelzens/segment/
Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图的贪心聚类算法，实现简单。目前虽然直接用其做分割的较少，但许多算法都用它作为基石。
TOP5
SLIC Superpixels Compared to State-of-the-Art Superpixel Methods
被引频次：4168
作者: Radhakrishna Achanta，Appu Shaji，Kevin Smith，Aurelien Lucchi，Pascal Fua，Sabine Susstrunk.
发布信息：2012，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
论文和代码：https://ivrlwww.epfl.ch/supplementary_material/RK_SLICSuperpixels/index.html
SLIC 算法将K-means 算法用于超像素聚类，是一种思想简单、实现方便的算法，SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，比较符合人们期望的分割效果。
TOP4
U-Net: Convolutional Networks for Biomedical Image Segmentation
被引频次：6920
作者: Ronneberger Olaf，Fischer Philipp，Brox Thomas
发布信息：2015，18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI)
代码：https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/
U-Net是一种基于深度学习的图像语义分割方法，在医学图像分割领域表现尤为优异。它基于FCNs做出改进，相较于FCN多尺度信息更加丰富，同时适合超大图像分割。作者采用数据增强（data augmentation），通过使用在粗糙的3*3点阵上的随机取代向量来生成平缓的变形，解决了可获得的训练数据很少的问题。并使用加权损失（weighted loss）以解决对于同一类的连接的目标分割。
TOP3
Mean shift: A robust approach toward feature space analysis
被引频次：6996
作者: Comaniciu D，Meer P
发布信息：2002，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
Meanshift是基于像素聚类的代表方法之一，是一种特征空间分析方法。密度估计(Density Estimation) 和mode 搜索是Meanshift的两个核心点。对于图像数据，其分布无固定模式可循，所以密度估计必须用非参数估计，选用的是具有平滑效果的核密度估计（Kernel density estimation，KDE）。Meanshift 算法的稳定性、鲁棒性较好，有着广泛的应用。但是分割时所包含的语义信息较少，分割效果不够理想，无法有效地控制超像素的数量，且运行速度较慢，不适用于实时处理任务。
TOP2
Normalized cuts and image segmentation
被引频次：8056
作者：Shi JB，Malik J
发布信息：2000，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 论文：https://ieeexplore.ieee.org/abstract/document/1000236
NormalizedCut是基于图论的分割方法代表之一，与以往利用聚类的方法相比，更加专注于全局解的情况，并且根据图像的亮度，颜色，纹理进行划分。
Top1
Fully Convolutional Networks for Semantic Segmentation
被引频次：8170
作者: Long Jonathan，Shelhamer Evan，Darrell Trevor
发布信息：2015，IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
代码：https://github.com/shelhamer/fcn.berkeleyvision.org
FCN是图像分割领域里程碑式论文。作为语义分割的开山之作，FCN是当之无愧的TOP1。它提出了全卷积网络(FCN)的概念，针对语义分割训练了一个端到端，点对点的网络，它包含了三个CNN核心思想：
（1）不含全连接层(fc)的全卷积(fully conv)网络。可适应任意尺寸输入。
（2）增大数据尺寸的反卷积(deconv)层。能够输出精细的结果。
（3）结合不同深度层结果的跳级(skip)结构。同时确保鲁棒性和精确性。
参考
[1]FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation），CSDN
[2]mean shift 图像分割 (一)，CSDN
[3]https://zhuanlan.zhihu.com/p/49512872
[4]图像分割—基于图的图像分割（Graph-Based Image Segmentation），CSDN
[5]https://www.cnblogs.com/fourmi/p/9785377.html