我们提出了 ShuffleSeg，这是一种基于分组卷积和通道混洗的有效分割网络，它采用 Skip 架构作为解码方法，在速度和准确性之间达到了最佳的折中，通过利用分辨率更高的特征图进行更准确的分割，它在 CityScapes 测试集上的平均交集联合达到了 58.3％，并且在 NVIDIA Jetson TX2 上的运行帧率为 15.7，非常适合实时应用。

Mar, 2018

本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法，在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。

Mar, 2019

本文针对自主行驶场景下的语义分割问题进行了调研，从模型开发、RGB-D 数据集集成、时域信息模型三个方面讨论了目前最相关和最新的深度学习方法，旨在为读者提供关于这一激动人心和具有挑战性的研究领域的最新进展。

Mar, 2023

本研究探讨了在各种环境（GPUs、输入大小等）下，最成功的语义场景分割模型在推断速度方面的行为，以比较研究现有的最先进的分割模型并选择最符合机器人应用要求的模型。

Aug, 2021

本文提出了一种联合分类、检测和语义分割的方法，其中编码器在三个任务之间共享。该方法非常简单，可以端到端训练，在具有挑战性的 KITTI 数据集中表现良好，在道路分割任务中优于现有技术。而且，我们的方法非常高效，执行所有任务只需要不到 100 毫秒。

Dec, 2016

远程感知影像的实时语义分割是一个具有挑战性的任务，需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法，并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明，现有的大多数高效深度神经网络都具有良好的分割质量，但它们存在推理速度低（即高延迟率）的问题，可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。

Sep, 2023

利用深度学习模型在机器人中作为感知信息提取器的部署，有许多困难之处。本文着重探讨了其中三个最显著的障碍，即如何将单个模型适应于同时执行多个任务的需求、如何实现实时性、以及如何使用具有不对等标注数量的非对称数据集。通过使用实时语义分割网络和知识蒸馏的简单解决方案，我们将这些障碍一一克服。最终，我们的系统可以方便地扩展，使用单个模型同时处理更多任务和未来更多的数据集，能够在室内和室外分别执行深度估计和分割，并在 640x480 像素的输入上只需要一个前向通道即可实现 13ms 和 6.5 GFLOPs 成本的效果，从而直接将其用于场景的 3D 语义重建中。

Sep, 2018

本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

Aug, 2019

本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

Aug, 2017

自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构，提出了空间助理编码器 - 解码器网络（SANet），并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取，最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。

Sep, 2023