通过循环传播进行人脸解析
通过循环卷积神经网络的方法，可在不依赖于分割方法和任务特定特征的情况下，对图像里的所有像素赋予分类标签，并且无需在测试时像其他方法那样昂贵，因此可在 Stanford Background 数据集和 SIFT Flow 数据集上获得最先进的性能。
Jun, 2013
本研究提出了一种结合深度反卷积神经网络和卷积神经网络的新型神经网络，以实现场景解析。与卷积神经网络相比，反卷积神经网络在学习高阶图像结构方面表现更好。多补丁训练可以从场景中有效地学习空间先验知识。本方法在四个场景解析数据集上均取得了最先进的性能，并具有完全自动化的训练系统，无需后处理。
Nov, 2014
本研究提出一种新的MPF-RNN模型，通过多层反馈和多重加权循环结构，增强RNN建模长范围的上下文信息和识别易混淆像素的能力，此外还提出了考虑多次反馈的损失累积策略，从而在场景分割方面实现了比传统模型更优秀的性能表现。
Aug, 2016
本文提出了一种高效的人脸解析注释框架和“Dense Landmark Guided Face Parsing (LaPa)”数据集，以及一个基于此数据集的新的边界敏感解析网络（BSPNet）。
May, 2019
研究提出了一种基于 RoI Tanh-warping operator 的新型混合卷积神经网络用于面部解析，解决了传统基于裁剪和缩放的 RoI 方法无法处理头发等不可预测区域的问题，同时通过全局和局部方法融合来处理内外部面部组件，并通过重新标记 HELEN 数据集的训练数据进行了训练和评估，取得了优于现有方法的性能。
Jun, 2019
提出了一种基于Spatial Transformer Network的end-to-end面部分割框架，称为STN-iCNN，通过在两个分离的训练阶段之间添加STN，将原始two-stage iCNN连接起来，从而显着提高了面部分割的准确性。
Feb, 2020
本文提出一种采用图表示法学习面部解析的方法，通过对面部不同区域之间的关系进行建模和推理，并利用区域之间的边缘信息进行优化抽象，较好地完成了对面部图像的细分割。
Jul, 2020
本文提出一种用于面部解析的自适应图形表示学习和图形推理方法，旨在学习描述每个组件的代表性顶点，利用组件之间的关系，对面部区域中的歧义像素产生准确的解析结果。实验结果证明了所提出模型在多个面部解析数据集上的卓越性能，同时验证了其在人体解析任务中的通用性。
Jan, 2021