本文介绍了一种在检测架构中引入自顶向下调制网络（TDM）的方法，用于将细节信息从底层融入检测任务中，该方法在 COCO testdev 基准测试中实现了 28.6 AP 的效果，无需任何其他技术。

Dec, 2016

本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

May, 2017

本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

Jun, 2015

本文提出了一种端到端的学习框架，其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测，在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割，并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。

Jan, 2017

该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架，可用于图像分割和前景分割等任务，并且只需要一个标签来处理包含多类别对象的图像。

Dec, 2018

本文提出一种用于联合部分和对象分割的鲁棒方法，即将对象和部分分割重新表示为优化问题，并构建分层特征表示，其中包括像素、部分和对象级别嵌入，以自下而上的聚类方式解决它。

Jun, 2023

本文提出了一种新的旨在优化实例分割方法的卷积神经网络，该网络称为 BlendMask。BlendMask 可以有效地将实例级信息与语义信息相结合，并能够学习每个实例的注意力图，并且具有较快的推理速度，其可以与最先进的一阶段检测框架轻松集成，同时在相同训练计划下优于 Mask R-CNN，并可以在单个 1080Ti GPU 卡上以 25 FPS 评估时实现 34.2％ mAP，其简单易用而且强大，可用于一系列实例化任务。

Jan, 2020

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

本文提出了一种顶向下的神经网络结构，可以在图像分辨率上进行粗到细的信息处理，并能有效对抗高频噪声的对抗攻击，同时提高了网络的决策可解释性和对象驱动性能力。

Apr, 2020

本文提出了一种新的分段建议框架 FastMask，该方法利用深度卷积神经网络中的分层特征一次性分割多尺度对象，并在 MS COCO 基准测试中取得了优于现有方法 2-5 倍的平均检出率，同时可以在接近实时的速度下对 800 * 600 分辨率图像中的物体进行分割，该方法具有实际应用的潜力。

Dec, 2016