本文提出了一种新型架构，用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战，即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明，在 PASCAL VOC 2012 基准测试中，本文方法取得了 74.0% 的平均 IU 准确率，优于当前最先进的语义分割模型。

Feb, 2016

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

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

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

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

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

本文提出了基于像素 embeddings 的深层卷积神经网络，利用嵌入学习像素之间的距离来推断像素是否属于同一区域，并证明其与 DCNN 结合使用可以显著提高每个像素分类的准确性。

Nov, 2015

通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有 1,464 个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了 60.8％和 67.6％的高精度分割效果，成为当前最优秀的模型。

May, 2018

该研究提出了一种具有分层分类器的卷积网络，用于每像素的语义分割，能够在多个异构数据集上进行训练和利用它们的语义层次结构。

Mar, 2018