图像分割中数学与深度学习融合建模方法

摘要

图像分割在医学影像、遥感和自动驾驶等领域具有重要应用.数学建模方法，如活动轮廓模型，具有良好的可解释性与先验约束，但在复杂场景下表现受限.深度学习方法在分割性能上取得显著突破，但依赖大规模数据，且很难得到理论支撑与可解释性.为融合两类方法的优势，研究者近些年提出多种数学与深度学习融合建模的策略，包括损失函数建模、结构启发、联合优化等.在图像分割领域，融合建模方法兼具数学建模的深厚理论基础与深度学习建模方法的数据驱动能力，能够有效提升分割的鲁棒性与泛化性.一些数学与深度学习融合建模方法或模型，如PDE-Net、 CH-Net等，已在医学与自然图像分割中展现出优越性能.

关键词

图像分割 / 数学建模 / 深度学习 / 融合建模