该研究提出了一种利用卷积神经网络 (CNN) 中的分割信息的方法，通过设置 CNN 来提供嵌入空间来获取分割信息，以便在局部感受野范围内使每个神经元可以选择性地关注来自其本身区域的输入，因此适应于局部分割提示，在两个密集预测任务中展示了性能优于进行过增强的基线的结果。

Aug, 2017

该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

Mar, 2015

该论文提出了一种端到端的学习方法，用于解决统一实例分割和语义分割任务，所提出的 TASCNet 模型使用共享的骨干网络特征图，通过单次前向传递来预测实例和语义分割，并通过全局的实例和语义二进制掩码来明确约束这两个输出分布，以强制实现跨任务的一致性。实验证明，所提出的统一网络在几个基准测试中与最先进的方法相当，并且在单个语义和实例分割任务上也表现出色。

Dec, 2018

本文提出了一种基于 scale- 和 shape-variant 的语义分割方法，使用配对卷积生成 shape mask 并控制 receptive field，从而在像素级别上聚合语义相关区域的上下文信息，同时通过标签去噪模型减少了由于低层次特征干扰导致的错误预测，实验结果在 6 个公共数据集上均取得了新的最优性能。

Sep, 2019

利用深度学习方法和语义信息，本文提出了一种新颖的室内场景分类方法，通过目标检测和语义分割技术获取语义信息，进一步提取基于 Hu 矩的分割类别形状特征，并使用全局特征、目标特征和语义分割特征构建了一个三分支网络，即 GOS2F2App。在 SUN RGB-D 和 NYU Depth V2 两个基准数据集上评估了 GOS2F2App，取得了最先进的结果，证明了该方法的有效性。

Apr, 2024

研究使用二进制前景掩码并经过合成几何变形的图像来训练卷积神经网络（CNN），以解决语义对应问题，提出了一种新的 CNN 体系结构（称为 SFNet），其实现了这一想法，并展示了在标准基准测试中明显优于现有技术的实验结果。

Nov, 2019

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

本研究提出了一种基于形状信息的弱监督语义分割方法，采用了新颖的改进方法去增强模型可靠性，能够在单阶段框架内迅速高效地完成训练与推理，在 PASCAL VOC 2012 数据集上的准确率超过了现有的同类方法。

Aug, 2022

本文提出了一种新颖的框架用于图像检索，通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题，并采用最新的嵌入和聚合方法进一步提高特征可区分性，从而达到了最先进的检索准确度。

Jul, 2017

通过生成中间的卷积特征，该研究提出了首个针对中间卷积特征的综合方法，使得可以将生成的新特征成功地加入训练过程以提高语义分割的性能，实验证明这种生成的特征确实可以提高性能。

Sep, 2020