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

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

提出了一种基于多层浅层反卷积网络（SDN）的语义分割技术，通过多层网络集成上下文信息并加入层内和层间连接以提高特征融合和流向信息，应用层级监督优化网络训练，取得优异的分割效果。

Aug, 2017

该研究基于分级卷积字典学习框架开发了一个深生成模型，使用随机解池来连接模型中的连续层，实现自顶向下的图像生成，使用贝叶斯支持向量机结合顶层特征进行有最大间隔的区分。使用蒙特卡罗期望最大化算法进行高效训练，并在 GPU 上实现以完成高效的大规模学习和快速测试。在包括 ImageNet 在内的多个基准数据集上获得了极佳的结果，证明所提出的模型的性能与同样大小的卷积神经网络相当竞争力。

Dec, 2015

本文在室内图像的 RGB-D 语义分割问题中，通过利用可以预测像素级类别标签的反卷积网络，开发了一种反卷积多模态新结构并提出了一种新的特征转换网络。该特征转换网络通过在两个模态之间发现共同特征并表征每种特性的方式将两种模态相关联。新网络在 NYU 深度数据集 V1 和 V2 上取得了有竞争力的分割精度。

Aug, 2016

该论文介绍了一种新颖的弱监督语义分割算法，该算法利用基于深度卷积神经网络的辅助分割注释，通过设计解耦编码器 - 解码器体系结构来生成空间高光区域，并使用注意力模型和分割注解在不同类型中加速弱监督下的语义分割。 训练该模型可以在 Microsoft COCO 数据集中的 60 个独家类别的注释下，显着提高在具有挑战性的 PASCAL VOC 2012 数据集中的表现。

Dec, 2015

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。

Nov, 2014

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

该研究提出了基于重构思想的像素反卷积层（PixelDCL），用于建立上采样后特征映射中相邻像素之间的直接关系，通过在语义分割和图像生成任务中的应用，可以有效地解决反卷积层存在的棋盘格问题，并提高图像分割的准确性。

May, 2017

本文介绍一种新技术 cross-convolutional-layer pooling，并探讨卷积层激活的图像表示方式在使用中的优点和不足，通过应用于四个流行的视觉分类任务，证明该方法具有可比较或显著更好的性能，而造成的计算成本要低得多。

Nov, 2014