Nov, 2014
场景分割的深度反卷积网络
Deep Deconvolutional Networks for Scene Parsing
Rahul Mohan
TL;DR本研究提出了一种结合深度反卷积神经网络和卷积神经网络的新型神经网络，以实现场景解析。与卷积神经网络相比，反卷积神经网络在学习高阶图像结构方面表现更好。多补丁训练可以从场景中有效地学习空间先验知识。本方法在四个场景解析数据集上均取得了最先进的性能，并具有完全自动化的训练系统，无需后处理。
Abstract
scene parsing is an important and challenging prob- lem in computer vision.
It requires labeling each pixel in an image with the category it belongs to.
Tradition- ally, it has been approached with hand-engineered features from
color information in images. Recently →
scene parsingconvolutional neural networksdeconvolutional neural networksmulti-patch trainingautomated training system
发现论文，激发创造
场景解析的循环卷积神经网络
通过循环卷积神经网络的方法，可在不依赖于分割方法和任务特定特征的情况下，对图像里的所有像素赋予分类标签，并且无需在测试时像其他方法那样昂贵，因此可在 Stanford Background 数据集和 SIFT Flow 数据集上获得最先进的性能。
Jun, 2013
全局反卷积网络用于语义分割
本文提出了一种新型架构，用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战，即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明，在 PASCAL VOC 2012 基准测试中，本文方法取得了 74.0% 的平均 IU 准确率，优于当前最先进的语义分割模型。
Feb, 2016
通过学习图像描述实现深度结构场景解析
本文提出了一种基于深度架构的场景理解方法，通过一个卷积神经网络和一个递归神经网络分别提取图像特征和分层物体结构，结合基于描述性语句的弱监督训练，实现场景图像的自动解析，该方法在 PASCAL VOC 2012 数据集上表现出色。
Apr, 2016
语义分割的学习反卷积网络
本文提出一种基于学习反卷积网络的新颖语义分割算法，其中反卷积网络由反卷积层和上采样层组成，能够在像素级别上识别图像中的类别标签和预测分割掩模，通过将结果合并得到最终的分割图像，并且可以自然地处理多尺度下的物体和识别细节结构，在 PASCAL VOC 2012 数据集上进行实验，通过与完全卷积网络的集合学习，取得了最好的 72.5% 精度。
May, 2015
多尺度特征学习、纯度树和最优覆盖的场景解析
将场景解析或语义分割应用于图像，使用从原始像素训练的多尺度卷积网络作为特征提取器，将图像分割成多个区域，并对每个区域分类，从而实现对象检测和图像标注。
Feb, 2012