提出 SegNet，一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征，并使用解码器映射到原始图像尺寸，实现了准确的像素级预测。在无需额外辅助信息的情况下，在几个公共基准数据集上的表现均优于最先进的方法。

May, 2015

该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架，称为 ReSeg，旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性，通过在多个数据集上的评估显示出了最先进的性能优势。

Nov, 2015

该研究证明，卷积网络可以通过端到端的训练，从像素到像素地训练，超越先前的语义分割最先进方法，通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务，并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络，并将它们学习到的表示通过微调应用于语义分割任务。最后，该研究提出了一种新的网络架构，将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果，在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割（2012 年的 mean IU 相较前一方法提高 20％），对典型图像的推理时间仅需三分之一秒。

Nov, 2014

本文提出了一种基于卷积神经网络的 Fully Convolutional Networks（FCN）方法，可以用于图像的深度语义分割。通过该方法，我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能，并且推断速度远快于之前的相关工作。

May, 2016

提出一种用于概率像素级语义分割的深度学习框架 ——Bayesian SegNet，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。

Nov, 2015

通过提出适用于无人机 / 无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

Feb, 2024

为了提高计算机视觉算法在实时场景中对道路特征的准确评估能力，本研究探索了 LaneSegNet 架构，该方法将拓扑信息与车道线数据集成，以提供更多上下文理解道路环境的能力。通过修改特征提取器和变换器编码器 - 解码器堆栈，我们发现在训练时间和预测精度之间可以得到有趣的权衡，某些组合显示出有希望的结果。这项研究为根据可用计算资源优化 LaneSegNet 提供了宝贵的见解，使之对资源有限的用户更具可行性，并增强了对资源更丰富的用户的能力。

Jun, 2024

本文提出了一种基于 Densely Connected Convolutional Networks 的语义分割方法，不需要进一步的后处理模块或预训练即可在 CamVid 和 Gatech 等城市场景基准数据集上达到最先进的结果。此外，由于模型的智能构造，我们的方法在参数数量方面比当前已发布的最佳结果少得多。

Nov, 2016

本研究提出了一种创新的编码器 - 解码器网络结构，利用残差连接增强了传统 SegNet 架构在图像语义分割任务中的准确性。通过多重残差连接策略有效地保留了不同图像尺度上的细节，从而最小化了下采样过程中的信息丢失。此外，为了增强网络训练的收敛速度并减轻样本不平衡问题，我们设计了一种修改后的交叉熵损失函数，引入了平衡因子来优化正负样本的分布，从而提高了模型训练的效率。实验评估结果表明，我们的模型在信息损失减少和语义分割准确性改善方面取得了显著的成果。特别地，在数据集上，与传统 SegNet 相比，提出的网络架构在精细注释的平均交并比（mIoU）上有着明显的改进。该提出的网络结构不仅降低了人工检查的成本，还可以扩大 AI 驱动的图像分析在不同领域中的应用规模。

May, 2024

本文介绍了一种快速分割卷积神经网络（Fast-SCNN），它是一种高分辨率图像数据（1024x2048px）的半实时语义分割模型，适用于在低内存嵌入式设备上进行高效计算。该网络通过在多个分辨率分支上同时计算低级特征和高级特征，实现了高分辨率的空间细节与更低分辨率下提取的深度特征的结合，并在 Cityscapes 数据集上以每秒 123.5 帧的速度获得了 68.0％的平均交并比准确率。实验证明，预先培训规模的大规模预处理是不必要的。

Feb, 2019