基于深度高阶 CRF 的自下而上的实例分割
该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。
Apr, 2017
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
该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成，网络通过单次前向传递输出实例级别部件和人体部分分割结果，同时能够实现有效的目标计数和分类级别部分分割。
Sep, 2017
该研究通过在深度网络中嵌入结构化的 CRF，将包含目标检测和超像素等等高级潜在因素的方法应用于语义分割任务中，实现了 PASCAL VOC 基准上最佳分割性能。
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
该研究提出了一种基于循环神经网络的端到端方法，通过顺序地查找每个不同的目标对象及其分割来解决实例分割的问题，并通过空间记忆来跟踪已解释的像素，以处理遮挡，这种方法优于当前所有最先进的方法。
Nov, 2015
本文针对从单目图像进行实例级别分割和深度排序的问题，利用卷积神经网络训练来直接预测实例级别分割，同时采用马尔科夫随机场来提供图像的连贯单个解释，旨在预测准确的实例级别分割和深度排序，并在 KITTI 基准测试中表现出很好的性能。
May, 2015