本文提出了基于卷积门控循环单元网络的在线视频分割方法，利用滑动窗口对时间数据进行处理，并在变化检测数据集上进行实验，相比于常规的全卷积神经网络有 5.5% 的性能提升。

Jun, 2016

本文提出了一种基于全卷积神经网络和门控循环体系结构的循环全卷积网络，利用视频中的时间信息进行在线语义分割， 大幅提高了分割的准确性，可以在二进制和语义视频分割任务中应用。

Nov, 2016

我们提出了一种用于语义实例分割的循环模型，它可以为图像中的每个对象顺序生成二进制掩码和它们的相关类概率。

Dec, 2017

本研究提出了一种基于循环神经网络加注意机制的端到端模型，可以进行场景中物品实例的细节分割，并在 CVPPP、KITTI 和 Cityscapes 数据集上获得了竞争性的结果。

May, 2016

该论文介绍了一种新颖的循环 U-Net 网络结构，它可以保留原始 U-Net 的紧凑性，并显著提高其性能，尤其在几个基准测试中超过了现有技术。该方法不仅适用于手部、视网膜血管和道路等多种分割任务，还引入了大规模手部分割数据集。

Jun, 2019

该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架，称为 ReSeg，旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性，通过在多个数据集上的评估显示出了最先进的性能优势。

Nov, 2015

通过引入一种新的循环神经网络模型，允许自适应选择一系列区域或位置并仅处理所选区域。该模型可通过强化学习方法训练，提高图像分类性能，并能够跟踪简单对象。

Jun, 2014

利用复数作为每个单元的状态，通过递归神经网络中的时空动力学进行图像分割，展示了这种网络生成的复杂时空动力学能够根据场景的结构特征有效地将图像划分为不同群组，并提供了该网络在物体分割中的机制的精确描述，从而对网络执行此任务的数学解释提供了清晰的数学解释，并演示了一种简单的物体分割算法，它适用于从简单的几何对象在灰度图像到自然图像的输入。通过使用一种将结构、动力学和计算结合起来的数学方法构建的具有固定权重的递归神经网络实现了所有图像的物体分割，从而展示了递归神经网络的表达能力潜力。

Nov, 2023

该论文讨论了自动驾驶汽车中的 3D 环境理解和解释问题，提出了一种基于递归分割架构的方法，该方法将时间序列信息与语义学信息相结合，充分利用了时间信息，提高了分割结果的准确性和效率。

Mar, 2021

本文提出了一种利用未标记数据改进的视频语义分割训练模型，该模型结合了卷积架构和时空转换器循环层，并能够通过光流适应性地门控使时间上的标记信息传递，模型通过未标记帧来改善视频分割准确性，并在基于多个深度架构中进行了广泛实验。

Dec, 2016