本文提出了一种利用 Deep Learning 完成语义图像分割的方法，通过引入 atrous convolution 以及 atrous spatial pyramid pooling 来解决对象掩模问题，并结合 max-pooling 和 downsampling 与全连接条件随机场（CRF）来提高对象边界的定位准确性，在 PASCAL VOC-2012 等数据集上全面超越了以往的成果。

Jun, 2016

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015

通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

Dec, 2016

本研究提出一种基于深度卷积神经网络和领域变换滤波器的语义图像分割方法，该方法通过替代全连接条件随机场并控制去噪程度来有效提高对象定位精度和加速密集的条件随机场推理，而利用 CNN 特征来学习引用边缘地图可生成接近任务目标的边缘，进而优化了分割质量，从而在语义分割结果上取得了可比较的精度。

Nov, 2015

本研究采用多尺度卷积神经网络，提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型，该模型采用单一损失函数进行训练，同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用，实现更精确的结果。在 NYUDepth V2 数据集上进行实验，该模型在语义分割方面表现优于最先进方法，在深度估计任务上实现可比较的结果。

Apr, 2016

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

作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的 Expectation-Maximization 方法，实验表明所提技术具有竞争性的成果，同时需求更少的标注工作量。

Feb, 2015

介绍了一种名为 CRF-RNN 的新型卷积神经网络，该网络将卷积神经网络（CNN）和基于 CRFs 的概率图建模相结合，用于语义图像分割任务，结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。

Feb, 2015

本文提出了一种新的神经网络结构 (DFCN-DCRF)，该结构将 RGB-D 完全卷积神经网络 (DFCN) 与深度敏感的全连接条件随机场 (DCRF) 相结合，以改善分割性能。在实验中表明，DFCN-DCRF 与大多数最先进的方法相比具有最好的性能。

May, 2017

本文主要介绍了一种基于预训练的 CNN 和 CRF 的图像分割方法，通过构建一些潜在的超像素来生成 CRF 的 potentials，并借助结构化 SVM 来学习 CRF 参数。研究者们还构建了空间相关的、共现的二元 potentials，以更加准确地描述目标物体在一定空间布局下的标签关系。实验表明，该方法在很多二元和多元分割测试中表现出很好的性能。

Mar, 2015