本文提出了一种基于卷积神经网络的手写历史文档图像页面分割方法，将页面分割视为像素标记问题，使用卷积神经网络从原始图像像素中学习特征，经实验验证，在不同的公共数据集上，该方法对比之前的方法，取得了更加有效和卓越的结果。

Apr, 2017

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

通过采用分层抽样和多尺度特征的方法，优化以卷积预测器为基础的像素级预测问题的神经网络结构，显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.

Sep, 2016

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

本文介绍了一种名为 Panoptic FCN 的概念简单、强大、高效的全景分割框架，该方法旨在以统一的卷积管道中表示和预测前景物体和背景杂物。通过提出的内核生成器，Panoptic FCN 将每个对象实例或杂物类别编码为特定的内核权重，并通过将高分辨率特征直接卷积来生成预测。通过这种方法，实例感知和语义一致的特性可以分别在一个简单的生成内核，然后进行分割的工作流中得以满足。在 COCO、Cityscapes 和 Mapillary Vistas 数据集上，不需要额外的定位框或实例分离，所提议的方法在单尺度输入上具有比以前的基于框和无框模型更高的效率。

Dec, 2020

本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

Feb, 2017

我们提出了一种用于训练 Bit Fully Convolutional Network（BFCN）的方法，在训练完一个低比特宽度的权重和激活的全卷积神经网络之后，并使用有效率的比特卷积实现进行加速，结果显示，我们使用的 BFCN 在 PASCAL VOC 2012 语义分割任务和 Cityscapes 上均能获得比 32 位计算相当的性能，并且与 32 位对照组相比，可以在 CPU 上提高 7.8 倍的性能或在 FPGA 上使用不到 1％的资源。

Dec, 2016

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

基于全卷积网络（FCN）的图形模型 Graph-FCN 用于图像语义分割，将图像网格数据扩展为图形结构数据，然后应用图形卷积网络解决图形节点分类问题，与原始 FCN 模型相比在 VOC 数据集上实现了竞争性的 mIOU 性能提升约 1.34％。

Jan, 2020

本文提出了一种端到端的两阶段深度卷积神经网络框架，用于视频序列中的前景分割，该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识，与 CDNet 2014 相比，其性能提高了 4.9％。

Jul, 2017