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

提出了一种 ResNet-like 的网络结构，结合多尺度上下文信息和像素级精确度，使得在不需要额外处理步骤和预训练的情况下，可以在 Cityscapes 数据集上实现 71.8％ 的交并比得分，以提高自动驾驶系统中的图像分割效果。

Nov, 2016

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

通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

May, 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

本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用 20 个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

Nov, 2015

该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASCAL VOC-2012 语义图像分割任务中，IOU 精度可达 71.6％。

Dec, 2014

本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

Jun, 2016

本文介绍了基于多任务学习网络和残差网络，提出了一种能够同时学习两个互补任务的方法，即分割车辆区域和检测语义边界。为了评估未来的车辆实例分割算法，作者构建了一个新的车辆实例分割数据集并分享了链接。

May, 2018

本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

Nov, 2017