本文提出了一种基于像素级别处理的高性能全卷积神经网络，用于历史文献图像分割，并引入了一种独立于模糊真实度量的前景像素准确度评价指标，该指标仅计算二值化页面中的前景像素，从而使研究人员可以比较不同的分割方法在文本或图像分割方面的成功能力。

Nov, 2017

通过对卷积神经网络 CNNs 模型对文件图像分类任务的研究，我们发现使用剪切变形的数据扩增和一个针对更大输入图像设计的架构，可以超过基准数据集的现有技术，并且我们发现使用 RVL-CDIP 训练的 CNNs 可以学习区域特定的布局特征。

Aug, 2017

本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

Feb, 2015

该研究提出了一种基于卷积层的深度学习架构，用于从自我中心视角提取手部的精确掩模，并证明该方法在多尺度下既准确又高效。

Aug, 2016

该研究论文介绍了一种基于全卷积网络的二值化方法，该方法在历史手稿图像及其他领域如棕榈叶手稿的二值化任务中具有良好的性能表现，并在多个指标上优于竞争对手。作者还分析了不同超参数、数据集及输入特征对算法性能的影响。

Aug, 2017

本文介绍了一种基于卷积神经网络的像素预测器和任务相关的后处理块的开源实现，可以同时处理历史文档处理的多个任务，包括页面提取，基线提取，布局分析或多种类型的插图和照片提取，并展示了单个 CNN 架构在各个任务上具有竞争力的结果。

Apr, 2018

本文介绍一个历史德语文件的数据集，并使用全卷积神经网络（FCNN）方法来定位这些文件中的手写注释，研究训练和评估了各种各样的端到端语义分割方法，并报告了结果，最佳模型可以在测试文档中获得 95.6％的平均交集联合得分（IoU）。

Apr, 2018

本文介绍卷积神经网络在图像语义分割领域的应用，通过深入研究相关架构，提出了更加高效和灵活的 CNN 框架，能够在高分辨率航空影像语义分割任务中取得更好的性能表现。

Nov, 2016

本文综述了基于深度卷积神经网络的语义分割、实例分割、全景分割模型的发展历程、架构细节、超参数调整和性能表现，并对不同数据集上的性能进行了比较。

Jan, 2020

本研究提出了一种快速卷积神经网络 (FCNN)，并使用多阶段的深度学习来整合外观和动态线索进行人群分割，成功使用我们自己创建的具有 235 和 11 个场景的人群分割数据集对我们的方法进行了评估。

Nov, 2014