使用基于 ResNet 的多路径细化 CNN 用于对象轮廓检测，利用高、中、低级别特征融合的方法进行网络训练，实现了边缘检测任务的最佳性能，最终在经过改进的 PASCAL-val 数据集上获得了 ODS 值 0.752，同时，在 BSDS500 数据集上进行微调，实现了 ODS 值 0.824，达到了当前领域的最优水平。

Apr, 2019

本文提出了一种基于残差网络的高性能语义图像分割方法，并对不同变体的完全卷积残差网络进行了评估，进一步提出了用低分辨率网络模拟高分辨率网络的方法，引入了在线启动方法以及在一些残差块上应用的传统退化法，取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。

Apr, 2016

本文提出了一种基于深度卷积神经网络的语义图像分割方法，使用标签精炼网络在多个分辨率上粗到精地预测分割标签，并在网络的多个阶段定义了损失函数以提供不同的监督信号。实验结果表明该模型可以有效地进行像素级密集标注。

Mar, 2017

本文考虑了有效和高效的语义图像分割问题，将一种强大的语义分割结构 RefineNet 适应为更紧凑的结构，通过减少参数数量和浮点操作数量，实现了两倍以上的模型缩小，并保持了性能水平，使最快模型的速度从 20 FPS 提高到 55 FPS，并在 PASCAL VOC 测试集上具有坚实的 81.1％的平均 iou 性能；我们还展示了我们的方法与轻量级分类网络的容易集成能力，并仅使用 3.3M 参数和 9.3B 浮点操作完成 PASCAL VOC 的 79.2％均值 iou。

Oct, 2018

我们介绍了 RefineNet，这是一种新颖的架构，旨在解决文本到图像转换系统中分辨率限制的问题。我们探讨了从文本描述生成高分辨率图像的挑战，重点关注详细准确性和计算效率之间的权衡。RefineNet 利用层次化 Transformer 结合渐进和条件改进技术，在生成详细、高质量图像方面优于现有模型。通过对多样数据集进行广泛实验，我们展示了 RefineNet 在清晰度和分辨率上的优势，特别适用于复杂图像类别如动物、植物和人脸。我们的工作不仅推动了图像到文本转换领域的发展，还为各种应用中高保真图像生成开辟了新的途径。

Dec, 2023

探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

Oct, 2016

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

本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

Aug, 2016

使用高分辨率图像分类和卷积超分辨率技术相结合的方法，提出了一种用于解决低分辨率图像细节问题的端到端的深度模型，并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验，结果表明该模型在低分辨率图像中能更好地分类细分类别。

Mar, 2017