[1] [1] 1刘媛媛， 张硕， 于海业， 等. 基于语义分割的复杂场景下的秸秆检测［J］. 光学 精密工程， 2020， 28（1）： 200-211. doi: 10.3788/ope.20202801.0200LIUY Y， ZHANGSH， YUH Y， et al. Straw detection algorithm based on semantic segmentation in complex farm scenarios［J］. Opt. Precision Eng.， 2020， 28（1）： 200-211.（in Chinese）. doi: 10.3788/ope.20202801.0200

[2] [2] 2陈彦彤， 李雨阳， 吕石立， 等. 基于深度语义分割的多源遥感图像海面溢油监测［J］. 光学 精密工程， 2020， 28（5）： 1165-1176.CHENY T， LIY Y， LÜSH L， et al. Research on oil spill monitoring of multi-source remote sensing image based on deep semantic segmentation［J］. Opt. Precision Eng.， 2020， 28（5）： 1165-1176.（in Chinese）

[3] [3] 3王中宇， 倪显扬， 尚振东. 利用卷积神经网络的自动驾驶场景语义分割［J］. 光学 精密工程， 2019， 27（11）： 2429-2438. doi: 10.3788/ope.20192711.2429WANGZH Y， NIX Y， SHANGZH D. Autonomous driving semantic segmentation with convolution neural networks［J］. Opt. Precision Eng.， 2019， 27（11）： 2429-2438.（in Chinese）. doi: 10.3788/ope.20192711.2429

[4] HE K M, GKIOXARI G, DOLLÁR P et al. Mask R-CNN[C], 2980-2988(2017).

[5] RONNEBERGER O, FISCHER P, BROX T. U-net： convolutional networks for biomedical image segmentation[C], 234-241(2015).

[6] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics, 9, 62-66(1979).

[7] [7] 7李彦， 赵其峰， 闫河， 等. Canny算子在PCBA目标边缘提取中的优化应用［J］. 光学 精密工程， 2020， 28（9）： 2096-2102. doi: 10.37188/OPE.20202809.2096LIY， ZHAOQ F， YANH， et al. Optimized application of canny operator in PCBA target edge extraction［J］. Opt. Precision Eng.， 2020， 28（9）： 2096-2102.（in Chinese）. doi: 10.37188/OPE.20202809.2096

[8] HOU Q B, CHENG M M, HU X W et al. Deeply supervised salient object detection with short connections[C](828).

[9] AGRAWAL H, DESAI K R, WANG Y F et al. Nocaps： novel object captioning at scale[C], 8947-8956(2019).

[10] KARPATHY A, LI F F. Deep visual-semantic alignments for generating image descriptions[C], 664-676(2015).

[11] VINYALS O, TOSHEV A, BENGIO S et al. Show and tell： a neural image caption generator[C], 3156-3164(2015).

[12] JOHNSON J, KARPATHY A, LI F F. DenseCap： fully convolutional localization networks for dense captioning[C], 4565-4574(2016).

[13] HENDRICKS L A, VENUGOPALAN S, ROHRBACH M et al. Deep compositional captioning： describing novel object categories without paired training data[C], 1-10(2016).

[14] VENUGOPALAN S, HENDRICKS L A, ROHRBACH M et al. Captioning images with diverse objects[C], 1170-1178(2017).

[15] ANDERSON P, HE X D, BUEHLER C et al. Bottom-up and top-down attention for image captioning and visual question answering[C], 6077-6086(2018).

[16] KULKARNI G, PREMRAJ V, ORDONEZ V et al. BabyTalk： understanding and generating simple image descriptions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35, 2891-2903(2013).

[17] ANDERSON P, FERNANDO B, JOHNSON M et al. Guided open vocabulary image captioning with constrained beam search[C], 945(2017).

[18] REN S Q, HE K M, GIRSHICK R et al. Faster R-CNN： towards real-time object detection with region proposal networks[C], 1137-1149(2017).

[19] PERAZZI F, PONT-TUSET J, MCWILLIAMS B et al. A benchmark dataset and evaluation methodology for video object segmentation[C], 724-732(2016).

[20] Papineni K. BLEU ： a method for automatic evaluation of MT[J]. Research Report, W0109, 2001(22176).

[21] BANERJEE S, LAVIE A. METEOR： an automatic metric for MT evaluation with improved correlation with human judgments[webpage](2005).

[22] ANDERSON P, FERNANDO B, JOHNSON M et al. SPICE： semantic propositional image caption evaluation[C], 382-398(2016).