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

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

该论文介绍了一种称为DenseNet的神经网络架构，通过将每一层与其他每一层之间连接起来，可以解决传统卷积神经网络中权重消失和特征重用问题，在目标识别领域中表现优异。

Aug, 2016

该论文提出了一种改进像素级语义分割的深度学习方法，其中涵盖了密集上采样卷积和混合空洞卷积框架，达到了在Cityscapes等数据集上的最先进结果。

Feb, 2017

本文介绍了一种快速分割卷积神经网络（Fast-SCNN），它是一种高分辨率图像数据（1024x2048px）的半实时语义分割模型，适用于在低内存嵌入式设备上进行高效计算。该网络通过在多个分辨率分支上同时计算低级特征和高级特征，实现了高分辨率的空间细节与更低分辨率下提取的深度特征的结合，并在Cityscapes数据集上以每秒123.5帧的速度获得了68.0％的平均交并比准确率。实验证明，预先培训规模的大规模预处理是不必要的。

Feb, 2019

采用DenseNet-based的梯形架构，探究feature map缓存对分割任务的影响， 最终在多个基准数据集上以更高的预测精度和执行速度超越当时最先进的方法，同时在商用硬件上实现了训练超高分辨率的语义分割任务。

May, 2019

该研究提出 Dense Convolutional Network (DenseNet) 模型，使用每一层之前的所有特征图作为输入，解决了梯度消失的问题，促进了特征重用，并在目标识别领域的四个竞争性基准上显着提高了性能效率。

Jan, 2020

通过使用类ResNet的主干和小型多尺度头部的简单编码器-解码器架构，扩大有效接受域， 实现了与HRNet等复杂语义分割架构相当甚至更好的性能,提供了简单有效的基准模型供从业者开发高效的语义分割模型。

Jun, 2022

在这篇论文中，我们研究了密集连接卷积网络（DenseNets）的效果，并发现其在流行的ResNet风格架构中被低估。我们通过串联密集连接的方式展示了DenseNets的优势，并且进行了架构调整、块重设计和改进训练方法以提高DenseNets的性能和内存效率。我们的模型不仅超越了Swin Transformer、ConvNeXt和DeiT-III等关键架构，还在ImageNet-1K等领域展现了接近最新模型的性能，包括ADE20k语义分割和COCO目标检测/实例分割任务。最后，我们提供了以经验为基础的分析结果，揭示了串联连接胜过加法连接的优点，从而引导人们重新偏好DenseNet风格的设计。

Mar, 2024